Mit Hilfe einer Vielzahl von evaluierten Rutschungen ist es möglich, Zusammenhänge zwischen rutschungsrelevanten Parametern und dem Gefahrenpotential zu ermitteln, die in der Zukunft zur Vorhersage von Rutschungsbereichen herangezogen werden können. Dabei wird das Untersuchungsgebiet in kleine quadratische Zellen (5 x 5 m) aufgeteilt, von welchen jede durch einen Vektor von gemessenen Parametern repräsentiert wird. Insbesondere werden folgende Eigenschaften berücksichtigt: Hangneigung, Hangorientierung, geologische Verhältnisse, Vegetation, Niederschlagsmenge usw. Insgesamt stehen ca. 25K gekennzeichnete Zellen für die Experimente zur Verfügung (die Daten wurden im Rahmen des groß angelegten Projektes "Vegetationswirkungen und Rutschungen" der Eidgenössischen Forschungsanstalt WSL, in zwei Diplomarbeiten des Lehrstuhls für Angewandte Geologie der Universität Erlangen-Nürnberg und bei Geländebegehungen in den Sachsler Bergen/Schweiz gesammelt). Nur etwa 5K sind als Rutschungsbereiche markiert, der Rest hat keine Rutschungen vorzuweisen.

Die Vorhersage wird dadurch bewerkstelligt, dass man einen statistischen Klassifikator trainiert, welcher von einem Parametervektor ausgehend auf einen möglichen Erdrutsch in dem betroffenen Quadrat schließen soll. Hierbei ist zu beachten, dass viele der eingesetzten Parameter Wertebereiche haben, die nicht metrisch sind (z.B. Vegetationsart) und von somit mit dem "1 aus N"-Verfahren in Gruppen von binären Subparametern umkodiert werden müssen. Auf diese Weise kommt man in unseren Basisexperimenten auf Parametervektoren, die etwa 60 Elemente enthalten.

Mit Leave-One-Out Verfahren (LOO) wurden aus den vorhandenen Daten mehrere Trainings- und Testmengen erzeugt, um die Aussagekraft der nachfolgend beschriebenen Experimente zu erhöhen. Zwei Arten von Klassifikatoren wurden zum Vergleich herangezogen: Lineare-Diskriminanzanalyse-Klassifikator (LDA) und Support-Vektor Maschinen. Während die LDA-Klassifikation im Allgemeinen wesentlich schneller ablief (maximal 30 Minuten pro Experiment), lieferten die SVMs in der Regel bessere Klassifikations- bzw. Vorhersageraten.

Eine weitere Verbesserungsmöglichkeit bestand darin, den unmittelbaren Kontext der betroffenen Quadrate als eine zusätzliche Informationsquelle zu verwenden. Im einfachsten Fall nimmt man die lokalen Parametervektoren der Nachbarbereiche mit in den endgültigen Merkmalvektor, der den jeweiligen Kleinbereich beschreibt, wobei auch abgeleitete Größen (wie z.B. Mittelwert, Varianz usw.) verwendet werden können. Sowohl die optimale Nachbarschaftsgeometrie, als auch der optimale Satz von abgeleiteten Größen müssen dabei herausgefunden werden.

In unseren Experimenten wurden die besten Ergebnisse dadurch erzielt, dass man den LDA-Klassifikator die besten 960 Klassifikationsmerkmale (aus den insgesamt mehr als 3200 in Frage kommenden) auswählen ließ, wonach SVMs für die eigentliche Klassifikation eingesetzt wurden. Bei dem Zweiklassenproblem Rutschung/Nichtrutschung konnte man so Klassifikationsraten von über 82% erreichen.

Als nächstes Ziel wird zu diesem Zeitpunkt das Dreiklassenproblem angesehen, wo man bei den Rutschungen auch zwischen Kanten (Rutschungsursprüngen) und Flächen (betroffenen Gebieten) unterscheidet.