TY - THES A1 - Luna, Lisa Victoria T1 - Rainfall-triggered landslides: conditions, prediction, and warning N2 - Rainfall-triggered landslides are a globally occurring hazard that cause several thousand fatalities per year on average and lead to economic damages by destroying buildings and infrastructure and blocking transportation networks. For people living and governing in susceptible areas, knowing not only where, but also when landslides are most probable is key to inform strategies to reduce risk, requiring reliable assessments of weather-related landslide hazard and adequate warning. Taking proper action during high hazard periods, such as moving to higher levels of houses, closing roads and rail networks, and evacuating neighborhoods, can save lives. Nevertheless, many regions of the world with high landslide risk currently lack dedicated, operational landslide early warning systems. The mounting availability of temporal landslide inventory data in some regions has increasingly enabled data-driven approaches to estimate landslide hazard on the basis of rainfall conditions. In other areas, however, such data remains scarce, calling for appropriate statistical methods to estimate hazard with limited data. The overarching motivation for this dissertation is to further our ability to predict rainfall-triggered landslides in time in order to expand and improve warning. To this end, I applied Bayesian inference to probabilistically quantify and predict landslide activity as a function of rainfall conditions at spatial scales ranging from a small coastal town, to metropolitan areas worldwide, to a multi-state region, and temporal scales from hourly to seasonal. This thesis is composed of three studies. In the first study, I contributed to developing and validating statistical models for an online landslide warning dashboard for the small town of Sitka, Alaska, USA. We used logistic and Poisson regressions to estimate daily landslide probability and counts from an inventory of only five reported landslide events and 18 years of hourly precipitation measurements at the Sitka airport. Drawing on community input, we established two warning thresholds for implementation in the dashboard, which uses observed rainfall and US National Weather Service forecasts to provide real-time estimates of landslide hazard. In the second study, I estimated rainfall intensity-duration thresholds for shallow landsliding for 26 cities worldwide and a global threshold for urban landslides. I found that landslides in urban areas occurred at rainfall intensities that were lower than previously reported global thresholds, and that 31% of urban landslides were triggered during moderate rainfall events. However, landslides in cities with widely varying climates and topographies were triggered above similar critical rainfall intensities: thresholds for 77% of cities were indistinguishable from the global threshold, suggesting that urbanization may harmonize thresholds between cities, overprinting natural variability. I provide a baseline threshold that could be considered for warning in cities with limited landslide inventory data. In the third study, I investigated seasonal landslide response to annual precipitation patterns in the Pacific Northwest region, USA by using Bayesian multi-level models to combine data from five heterogeneous landslide inventories that cover different areas and time periods. I quantitatively confirmed a distinctly seasonal pattern of landsliding and found that peak landslide activity lags the annual precipitation peak. In February, at the height of the landslide season, landslide intensity for a given amount of monthly rainfall is up to ten times higher than at the season onset in November, underlining the importance of antecedent seasonal hillslope conditions. Together, these studies contributed actionable, objective information for landslide early warning and examples for the application of Bayesian methods to probabilistically quantify landslide hazard from inventory and rainfall data. N2 - Durch Regenfälle ausgelöste Erdrutsche sind eine weltweit auftretende Gefahr, die im Durchschnitt mehrere tausend Todesopfer pro Jahr fordern und zu wirtschaftlichen Schäden führen, indem sie Gebäude und Infrastrukturen zerstören und Verkehrsnetze blockieren. Für Bewohner, sowie lokale Regierungen in potentiell gefährdeten Gebieten, ist es entscheidend zu wissen, nicht nur wo, sondern auch wann Erdrutsche am wahrscheinlichsten sind, um Strategien zur Verringerung des Risikos zu entwickeln. Dies erfordert zuverlässige Bewertungen der wetterbedingten Erdrutschgefahr und eine angemessene Warnung. Angemessene Maßnahmen während Hochrisikoperioden, wie der Umzug in höhere Etagen, die Sperrung von Straßen und Schienennetzen, sowie die Evakuierung von Wohngebieten, können Leben retten. In vielen Regionen mit hohem Erdrutschrisiko gibt es jedoch derzeit keine spezifischen, einsatzfähigen Frühwarnsysteme für Erdrutsche. In einigen Regionen ermöglichte die zunehmende Verfügbarkeit von zeitlich-aufgelösten Erdrutschdaten datengestützte Ansätze zur Abschätzung der Erdrutschgefahr auf Grundlage von Niederschlagsbedingungen. In anderen Gebieten sind solche Daten jedoch nach wie vor spärlich, sodass geeignete statistische Methoden erforderlich sind, um die Gefährdung trotz einer begrenzten Datenmenge abzuschätzen. Die übergreifende Motivation für diese Dissertation besteht darin, unsere Fähigkeit zur rechtzeitigen Vorhersage von niederschlagsbedingten Erdrutschen zu verbessern, um Frühwarnsysteme zu erweitern und optimieren. Zu diesem Zweck habe ich Bayes'sche Inferenz angewandt, um die Erdrutschaktivität in Abhängigkeit von den Niederschlagsbedingungen probabilistisch zu quantifizieren und vorherzusagen. Meine Studien decken dabei sowohl eine breite räumliche Skala, welche von einer lokalen bis regionalen Betrachtung reicht, als auch eine von stündlich bis saisonal reichende zeitliche Skala ab. Diese Dissertation setzt sich aus drei Studien zusammen. In der ersten Studie habe ich zur Entwicklung und Validierung statistischer Modelle für ein Online-Dashboard zur Erdrutschwarnung in der Kleinstadt Sitka, Alaska, USA, beigetragen. Wir verwendeten logistische und Poisson-Regressionen zur Einschätzung der täglichen Erdrutschwahrscheinlichkeit und der Anzahl der Erdrutsche auf Grundlage von nur fünf dokumentierten Erdrutschereignissen und 18 Jahren stündlicher Niederschlagsmessungen am Flughafen von Sitka. Basierend auf Hinweisen aus der Bevölkerung legten wir zwei Warnschwellenwerte für die Umsetzung des Dashboards fest, welches wiederum beobachtete Niederschläge und Vorhersagen des US-amerikanischen Wetterdienstes (US National Weather Service) nutzt, um Echtzeiteinschätzungen der Erdrutschgefahr zu liefern. In der zweiten Studie habe ich Schwellenwerte für die Niederschlagsintensität und -dauer für Erdrutsche in 26 Städten weltweit, sowie einen globalen Schwellenwert für urbane Erdrutsche ermittelt. Dabei stellte ich fest, dass Erdrutsche in urbanen Gebieten bei Niederschlagsintensitäten auftreten, die unter den zuvor gemeldeten globalen Schwellenwerten liegen, und dass 31 % der Erdrutsche in Städten durch moderate Niederschlagsereignisse ausgelöst wurden. Erdrutsche in Städten mit sehr unterschiedlichen klimatischen und topografischen Bedingungen wurden jedoch bei vergleichbaren kritischen Niederschlagsintensitäten ausgelöst: Für 77 % der Städte unterschieden sich die lokalen Schwellenwerte nicht von den globalen Schwellenwerten, was darauf hindeutet, dass eine zunehmende Urbanisierung die Schwellenwerte zwischen Städten angleicht und natürliche Schwankungen überlagern kann. Ich habe einen Basisschwellenwert festgelegt, der für die Warnung in Städten mit begrenzten Erdrutschdaten in Betracht gezogen werden könnte. In der dritten Studie untersuchte ich saisonale Reaktionen von Erdrutschen auf jährliche Niederschlagsmuster im pazifischen Nordwesten der USA. Dafür verwendete ich Bayes'sche Mehrebenenmodelle, um Daten aus fünf heterogenen Erdrutschinventaren zu kombinieren, welche unterschiedliche Gebiete und Zeiträume abdecken. Ich fand heraus, dass Erdrutsche deutlich saisonabhängig sind und dass der Höhepunkt der Erdrutschaktivität mit einem zeitlichen Versatz auf den jährlichen Niederschlagsspitzenwert folgt. Im Februar, auf dem Höhepunkt der Erdrutschsaison, ist die Erdrutschintensität bei einer gegebenen monatlichen Niederschlagsmenge bis zu zehnmal höher als zu Beginn der Saison im November. Dies unterstreicht die Bedeutung von vorherigen saisonalen Hangbedingungen. Zusammengefasst liefern die in dieser Dissertation vorgestellten Studien umsetzbare, objektive Informationen für die Frühwarnung vor Erdrutschen und Beispiele für die Anwendung von Bayes'schen Methoden zur probabilistischen Quantifizierung der Erdrutschgefahr mittels Bestands- und Niederschlagsdaten. T2 - Durch Regenfälle ausgelöste Erdrutsche: Bedingungen, Vorhersage und Warnung KW - landslide KW - natural hazards KW - Bayesian statistics KW - early warning KW - geomorphology KW - Bayessche Statistik KW - Erdrutsch KW - Naturgefahren KW - Frühwarnung KW - Geomorphologie Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-600927 ER - TY - THES A1 - Makarava, Natallia T1 - Bayesian estimation of self-similarity exponent T1 - Bayessche Schätzung des selbstählichen Exponenten N2 - Estimation of the self-similarity exponent has attracted growing interest in recent decades and became a research subject in various fields and disciplines. Real-world data exhibiting self-similar behavior and/or parametrized by self-similarity exponent (in particular Hurst exponent) have been collected in different fields ranging from finance and human sciencies to hydrologic and traffic networks. Such rich classes of possible applications obligates researchers to investigate qualitatively new methods for estimation of the self-similarity exponent as well as identification of long-range dependencies (or long memory). In this thesis I present the Bayesian estimation of the Hurst exponent. In contrast to previous methods, the Bayesian approach allows the possibility to calculate the point estimator and confidence intervals at the same time, bringing significant advantages in data-analysis as discussed in this thesis. Moreover, it is also applicable to short data and unevenly sampled data, thus broadening the range of systems where the estimation of the Hurst exponent is possible. Taking into account that one of the substantial classes of great interest in modeling is the class of Gaussian self-similar processes, this thesis considers the realizations of the processes of fractional Brownian motion and fractional Gaussian noise. Additionally, applications to real-world data, such as the data of water level of the Nile River and fixational eye movements are also discussed. N2 - Die Abschätzung des Selbstähnlichkeitsexponenten hat in den letzten Jahr-zehnten an Aufmerksamkeit gewonnen und ist in vielen wissenschaftlichen Gebieten und Disziplinen zu einem intensiven Forschungsthema geworden. Reelle Daten, die selbsähnliches Verhalten zeigen und/oder durch den Selbstähnlichkeitsexponenten (insbesondere durch den Hurst-Exponenten) parametrisiert werden, wurden in verschiedenen Gebieten gesammelt, die von Finanzwissenschaften über Humanwissenschaften bis zu Netzwerken in der Hydrologie und dem Verkehr reichen. Diese reiche Anzahl an möglichen Anwendungen verlangt von Forschern, neue Methoden zu entwickeln, um den Selbstähnlichkeitsexponenten abzuschätzen, sowie großskalige Abhängigkeiten zu erkennen. In dieser Arbeit stelle ich die Bayessche Schätzung des Hurst-Exponenten vor. Im Unterschied zu früheren Methoden, erlaubt die Bayessche Herangehensweise die Berechnung von Punktschätzungen zusammen mit Konfidenzintervallen, was von bedeutendem Vorteil in der Datenanalyse ist, wie in der Arbeit diskutiert wird. Zudem ist diese Methode anwendbar auf kurze und unregelmäßig verteilte Datensätze, wodurch die Auswahl der möglichen Anwendung, wo der Hurst-Exponent geschätzt werden soll, stark erweitert wird. Unter Berücksichtigung der Tatsache, dass der Gauß'sche selbstähnliche Prozess von bedeutender Interesse in der Modellierung ist, werden in dieser Arbeit Realisierungen der Prozesse der fraktionalen Brown'schen Bewegung und des fraktionalen Gauß'schen Rauschens untersucht. Zusätzlich werden Anwendungen auf reelle Daten, wie Wasserstände des Nil und fixierte Augenbewegungen, diskutiert. KW - Hurst-Exponent KW - Bayessche Statistik KW - fraktionale Brown'schen Bewegung KW - fraktionales Gauß'sches Rauschen KW - fixierte Augenbewegungen KW - Hurst exponent KW - Bayesian inference KW - fractional Brownian motion KW - fractional Gaussian noise KW - fixational eye movements Y1 - 2012 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-64099 ER -