Einsatz von KI zur Entwicklung von Hochwasserfrühwarnsystemen

Susanne Nielsen erkennt, dass es wahrscheinlich nur eine Frage der Zeit ist, bis das Sommerhaus ihrer Eltern in Slettestrand, Nordjütland, von Überschwemmungen heimgesucht wird. Denn unter dem Haus, das nur 400 Meter von der Bucht Jammerbugt in der gleichnamigen Gemeinde entfernt liegt, ist der Grundwasserspiegel oft so hoch, dass die Gefahr besteht, dass große Regenmengen nicht durchdringen können. sondern lieber das Haus betreten.

„Wir machen uns Sorgen, wenn es viel regnet“, gibt sie zu.

Um Einwohnern und politischen Entscheidungsträgern die beste Chance zu geben, sich vor Überschwemmungen in der Region zu schützen, unterstützten DTU-Forscher die Gemeinde Jammerbugt bei der Entwicklung eines Frühwarninstruments. Es kann 48 Stunden im Voraus über lokale Überschwemmungen entlang der Flüsse, Bäche und Küstengebiete der Gemeinde informieren. Es ist das erste seiner Art, das lokale Hochwasserwarnungen herausgibt.

„Das gibt uns Zeit, bei Bedarf zu reagieren, und ist daher eine große Hilfe“, sagt Susanne Nielsen aus ihrem Zuhause in Aalborg, etwa 40 Kilometer von dem Sommerhaus entfernt, das sie für ihre in Norwegen lebenden Eltern betreut.

Komplexe Natur, komplexe Berechnungen

Das als „Wet Index“ bezeichnete Tool basiert auf künstlicher Intelligenz, die auf frei verfügbaren Daten über die Dynamik trainiert wird, die das Hochwasserrisiko beeinflusst. Die Daten stammen aus Satellitenbildern und Wettervorhersagen sowie Informationen zu Land- und Meerwasserständen und Landschaftstopographie.

Allerdings ist die Wasserbewegung und -ansammlung in offenen Landschaften schwer zu berechnen, da viele Parameter die Art und Weise beeinflussen, wie sich Wasser bewegt und ansammelt. Um diese Komplexität zu bewältigen, wurde bei der Entwicklung des Modells hinter dem Nassindex künstliche Intelligenz eingesetzt.

Laut Roland Lowe nutzten die Forscher beim Aufbau des Modells spezifische Entwurfsprinzipien und versorgten es mit sorgfältig ausgewählten Daten. So integrierten sie ein Verständnis für die Bewegung, Verteilung und Wechselwirkung von Wasser mit der Umwelt. Er ist einer der Entwickler des Nassindex und außerordentlicher Professor an der DTU mit Spezialisierung auf Wasserverhalten.

Höhen und Tiefen

Die Gemeinde Jammerbugt hat das Tool im Jahr 2023 getestet. Die Ergebnisse zeigen bessere als erwartete Prognosen für die nassen Frühlingsmonate. Während der Sommerperiode, als Dänemark beinahe von einer Dürre heimgesucht wurde, prognostizierte das Tool jedoch fälschlicherweise Überschwemmungen in denselben Gebieten, die im verregneten Frühjahr überschwemmt worden waren.

Die falschen Vorhersagen waren darauf zurückzuführen, dass das Tool mit zu wenigen Daten aus den Sommermonaten trainiert wurde. Dies liegt daran, dass Satelliten das Wasser unter der Vegetation nicht erfassen können und da die Felder im Sommer mit Pflanzen bedeckt sind, sind die zu dieser Jahreszeit erfassten Daten geringer.

„Eine Frühwarnung muss relativ genau sein, damit die Bürger dem System vertrauen können. Deshalb haben wir uns für einen Test entschieden, bei dem nur ausgewählte Bürger es regelmäßig überprüften – und bei dem wir als Gemeinde vorgehen“, erklärt Projektleiterin Heidi Egeberg Johansen von der Gemeinde Jammerbugt.

Sie betont jedoch, dass die Gesamterfahrung zeigt, dass die Projektpartner ein Tool mit großem Potenzial geschaffen haben. Die Gemeinde sucht daher nach Mitteln, um das Modell zu recyceln und möglicherweise anzupassen, das bis zum Abschluss dieser Arbeiten offline sein wird, erklärt Heidi Egeberg Johansen.

Schnellere Berechnungen und Entscheidungen

Genaue Berechnungen sind nicht nur von entscheidender Bedeutung, wenn Bürger und Rettungsdienste Wasserleitungen und Sandsäcke vorbereiten müssen, sondern beispielsweise auch, wenn Kommunen entscheiden müssen, wie sie ihre Entwässerungssysteme am besten erweitern können, um dem feuchteren Klima der Zukunft gerecht zu werden. Herkömmliche Simulationen können leicht belastbare Berechnungen über die Fähigkeit von Systemen zur Wasserumleitung in verschiedenen Szenarien liefern, aber laut Roland Löwe dauern diese ewig.

„In der Praxis bedeutet das, dass Planer jedes Mal, wenn sie etwas analysieren müssen, Berater einstellen müssen, die zwei Monate lang in einer Kiste verschwinden, bevor sie mit Ergebnissen zurückkommen. Und das ist einfach zu umständlich“, erklärt er.

Um die Berechnungszeit zu verkürzen und gleichzeitig die physikalische Präzision beizubehalten, setzen Forscher auf wissenschaftliches maschinelles Lernen, einen Zweig der künstlichen Intelligenz, der zwei unterschiedliche Ansätze kombiniert.

Zwei Ansätze in einem

Eines davon ist maschinelles Lernen, bei dem ein Computer herausfindet, wie er eine große Datenmenge analysiert, und Vorhersagen trifft, ohne über ein theoretisches Verständnis der von ihm analysierten Phänomene zu verfügen. Der Spamfilter in Ihrer E-Mail oder die Gesichtserkennungsfunktion auf Ihrem Telefon sind Beispiele für maschinelles Lernen.

Der andere Ansatz ist das wissenschaftliche Rechnen, das beispielsweise physikalische Prozesse simulieren kann, also wie sich Wasser in einem bestimmten Raum unter dem Einfluss mehrerer Faktoren bewegt.

„Der Vorteil der Kombination der beiden Ansätze besteht darin, dass man Modelle für maschinelles Lernen erhält, die ein integriertes Verständnis dafür haben, wie sich das System verhalten soll. Dies trägt dazu bei, dass Modelle schnelle Vorhersagen generieren, die physikalisch sinnvoll und nicht alle logisch sind. „Auf den Kopf gestellt, was bei Modellen des maschinellen Lernens ein Problem sein kann“, erklärt Roland Löwe.

In einem Projekt, in dem der Professor zusammen mit dem Startup WaterZerv und dem DTU-Assoziierten Professor Allan Peter Engsig-Karup wissenschaftliches maschinelles Lernen nutzte, um die Bewegung von Wasser in Entwässerungssystemen vorherzusagen, gelang es ihnen, Berechnungen 100-mal schneller als mit herkömmlichen Modellen durchzuführen.

„Anstatt also ein Projekt auszulagern, können Sie die relevanten Entscheidungsträger in einem Raum zusammenbringen, um die Modelle live laufen zu lassen und die Ergebnisse mehr oder weniger sofort zu erhalten. Anschließend können Sie sich hinsetzen und verschiedene Optionen ausprobieren, um die beste Lösung für ein Projekt zu finden. gegebene Situation“, erklärt er.