Im Zuge des Klimawandels treten Brände entlang von Schienen in Deutschland inzwischen häufiger auf, mit teils massiven Folgen für den Betriebsablauf und betroffene Infrastruktur. Angesichts fehlender systematischer Untersuchungen ist wenig über die Ursachen solcher Brände bekannt. Da mit einer weiteren Zunahme dieser Gefährdungen zu rechnen ist, besteht Bedarf an fundiertem Wissen zu Auslösern und Treibern für Brände sowie methodisch Kenntnisse zu Vorhersagewerkzeugen.
Vor diesem Hintergrund verfolgte das Projekt BurnML folgende Ziele:
- Den Aufbau eines Datensatzes für das Training eines Modells, u. a. mit Daten zu vergangenen Böschungsbränden.
- Das Training eines machine learning Modells zur Vorhersage von Brandgefahren
- Die Pilot-Anwendung des Modells mit der DB Netz AG. Hierbei bezog das Team u. a. folgende Daten ein: Satellitendaten zu Bränden und Landnutzung, Wetterdaten vom DWD und Infrastrukturdaten von der DB Netz.
Zentrale Aktivitäten waren die räumliche Identifikation vergangener Böschungsbrände mittels Auswertung von freien Satellitendaten, die Rekombination und Analyse der Daten zu möglichen auslösenden und beitragenden Faktoren für Böschungsbrände, Auswahl und Training eines Algorithmus zur Analyse und Vorhersage solcher Brände, Auswertung der Erkenntnisse aus diesem machine learning Ansatz, Erprobung des Vorhersagemodells mit der DB Netz AG; stets begleitend: Diskussion von (Zwischen-)Ergebnissen mit Stakeholdern und Veröffentlichungen.
Im Ergebnis publizierte BurnML u. a. einen umfangreichen offenen Geo-Datensatz, einen dokumentierten machine learning Klassifikator (in Python) und einen Fachartikel mit Erkenntnissen zu Auslösern und Treibern (under review). Die Ergebnisse erweitern das Wissen um Böschungsbrände und Vorsorgemöglichkeiten und setzen Infrastrukturunternehmen in die Lage, effizienter Vorsorge zu betreiben.
Das Projekt wurde mit einer Zuwendung aus dem mFund-Förderprogramm vom BMDV gefördert.