Die Sichtbarkeit von Katastrophen: Wie KI die Narrative und Governance globaler Katastrophenrisiken neu gestaltet

Vom „Aufzeichnen“ zum „Verstehen“: Wie KI die Dateninfrastruktur globaler Katastrophen neu gestaltet

2015 verabschiedeten die Vereinten Nationen das Sendai-Rahmenwerk für Katastrophenvorsorge. Eine der Kernverpflichtungen war es, das Denken in Einzelgefahren durch einen „Multi-Gefahren- und Systemansatz“ zu ersetzen. Doch zehn Jahre später sind die Daten, die diese Verpflichtung stützen, größtenteils noch immer isolierte „Ereignisregister“. Überschwemmungen, Erdbeben, Schadenshöhen – sie werden sauber in Datenbanken abgelegt, beantworten aber selten die entscheidenderen Fragen: Wie hängen Katastrophen miteinander zusammen? Wie vergrößert soziale Verwundbarkeit die Auswirkungen?

Eine im März 2026 in *Scientific Data* veröffentlichte Studie schließt nun diese Lücke. Ein europäisches Forschungsteam nutzte große Sprachmodelle (LLMs) und Retrieval-Augmented Generation (RAG), um aus Millionen von Nachrichtenquellen weltweit automatisch mehr als 3.000 zwischen 2014 und 2024 eingetretene Katastrophenereignisse zu extrahieren, für jedes Ereignis eine strukturierte „Storyline“ zu erzeugen und in einen Wissensgraphen zu überführen. Die Bedeutung dieses offenen Datensatzes liegt nicht nur in „schnelleren und umfangreicheren“ Daten, sondern darin, dass die globale Katastrophenrisikoforschung sich von der statistischen Erfassung dessen, „was passiert ist“, hin zum Verständnis dessen bewegt, „warum es so kam“ und „was als Nächstes geschehen wird“.

Die übersehene Kaskade: Strukturelle Grenzen alter Datensysteme

Die einzelfallbezogene Erfassung von Katastrophen ist im internationalen Rahmen relativ ausgereift, doch reale Katastrophen bleiben selten „einzeln“. Taifune lösen Überschwemmungen aus, Überschwemmungen führen zu Stromausfällen, Stromausfälle verursachen Folgeunfälle – Kaskadeneffekte treten in den Klimaereignissen der letzten Jahre wiederholt auf. Dennoch verwenden die meisten nationalen Datenbanken eine einzelne Gefahr als Registrierungseinheit; Wechselwirkungen zwischen Katastrophen, zeitliche Zusammenhänge und soziale Verwundbarkeit bleiben nahezu unsichtbar.

Der Ansatz des Wissensgraphen besteht darin, Katastrophenereignisse in Entitäten und Beziehungen zu zerlegen, etwa „Überschwemmung führt zu Erdrutsch“ oder „Hitzewelle verschärft Dürre“. Der Datensatz enthält nicht nur die Ereignisse selbst, sondern auch die narrative Struktur der „Storylines“ – gleichsam die Umwandlung statischer Einträge in dynamische Handlungsstränge. Für politische Entscheidungsträger offenbaren visualisierte Beziehungen die Ursprünge von Risiken leichter als eine Verlusttabelle.

Warum jetzt: Der intelligente Sprung von LLM und RAG

Die Extraktion von Katastropheninformationen aus Nachrichten ist nicht neu. Das europäische Medienüberwachungssystem (EMM) aggregierte Medieninhalte schon früh, doch um aus freien Texten präzise „wer, wann, wo, welche Auswirkungen“ herauszulösen und in eine einheitliche Struktur zu bringen, waren traditionelle NLP-Werkzeuge überfordert.

Große Sprachmodelle haben das verändert: Sie können Kontext verstehen, Kausalbeziehungen erkennen und Zusammenfassungen erzeugen. Die Retrieval-Augmented Generation (RAG) verankert den Extraktionsprozess in einem konkreten Nachrichtenkorpus und reduziert so das Risiko von „Halluzinationen“. Die Forscher nutzten diesen Ansatz, um Ereignisse in EM-DAT ergänzend zu generieren, und prüften die Datenqualität durch Expertenbewertung und unabhängige Annotation. Im Kern ist dies ein Mikrokosmos der Entwicklung der KI von der „Informationsabfrage“ hin zur „Wissenskonstruktion“.

Die technologische Reife bestimmt, dass diese Studie nur im Hier und Jetzt entstehen konnte. Nach 2024 ermöglichte die Verbreitung von Open-Source-LLMs und RAG-Frameworks akademischen Teams, zig Millionen Artikel zu geringen Kosten zu verarbeiten. Auch die Wissensgraphen-Technologie hält Einzug in das wissenschaftliche Datenmanagement. Mehrere Trends fließen hier zusammen und bilden eine neue „globale Infrastruktur für Katastrophen-Narrative“.## Wessen Katastrophe, wessen Narrativ: Nachrichtendaten und der Globale Süden

Das Korpus dieses Datensatzes stammt von EMM, einem Monitoringsystem, das Millionen von Nachrichten-Websites aggregiert. Nachrichtenabdeckung ist nicht gleichbedeutend mit realer Abdeckung; sie begünstigt Regionen mit besserer Medieninfrastruktur. Im Vergleich zu herkömmlichen Regierungsberichten bieten Nachrichtenquellen jedoch einen einzigartigen Vorteil bei der Erfassung informeller und randständiger Ereignisse. Viele Katastrophenereignisse im Globalen Süden entbehren statistischer Berichte, werden aber oft von lokalen Medien aufgegriffen. Daher gleicht die automatisierte Nachrichtenauswertung bis zu einem gewissen Grad das „Sichtbarkeitsdefizit“ internationaler Datenbanken aus.

Dies bringt zugleich neue geoinformationelle Probleme mit sich: Wer über Modelle und Rechenleistung verfügt, kann womöglich Katastrophennarrative definieren. Dass die Studie Daten und Code offen zugänglich macht und mit einem interaktiven Dashboard verbindet, ist ein Akt des Widerstands gegen „Blackbox-Governance“. Langfristig wird die Demokratisierung von Katastrophendaten die Verteilung internationaler Hilfsressourcen und zugleich die Mittelvergabe globaler Klimaanpassungsfonds beeinflussen.

Von Risikoaufzeichnungen zum Entscheidungstheater

Die letztendliche Bedeutung dieser Studie liegt nicht darin, ansprechende Grafiken zu erstellen, sondern auf eine aufkommende Zukunft zu verweisen: Ein in Echtzeit aktualisierter globaler Katastrophen-Wissensgraph könnte zum zugrunde liegenden Betriebssystem internationaler Katastrophenvorsorge-Mechanismen werden. Wenn das System nach der Herausgabe einer Tsunami-Warnung automatisch historische Parallelereignisse und ihre Kaskadenfolgen abrufen und ein „Szenariotheater“ erzeugen könnte, würden Entscheidungen nicht nur auf aktuellen Informationen beruhen, sondern auch strukturierte historische Weisheit einbeziehen.

Natürlich sind KI-generierte Wissensgraphen noch nicht perfekt. Katastrophennarrative unterscheiden sich je nach Sprache und Kultur; Modelle können Verzerrungen verstärken. Doch als erster großer Katastrophen-Wissensgraph-Datensatz auf Basis globaler Nachrichten bietet er einen überprüfbaren Referenzrahmen für die Risikobewertung multipler Gefahren. Die Forschenden weisen ausdrücklich darauf hin, dass dieser Datensatz traditionelle Ressourcen wie die Gefahreninformationsprofile (HIPs) des UNDRR ergänzt und nicht ersetzt. Dies spiegelt die gebotene Zurückhaltung der wissenschaftlichen Gemeinschaft wider.

In einer Zeit, in der extreme Klimaereignisse zur Normalität werden, mangelt es der menschlichen Gesellschaft nicht an Warnungen, sondern an der Fähigkeit, Warnungen in strukturelles Verständnis zu überführen. Wenn große Sprachmodelle beginnen, jeden Bericht über Überschwemmungen und Erdbeben auf der Welt zu lesen und zu einem zusammenhängenden Wissensnetz zu verweben, erleben wir womöglich einen leisen Wandel in der globalen Risikosteuerung: von der Kenntnis dessen, was geschehen ist, zum Verständnis, wie alles geschieht.