Susanne Nielsen realiseert zich dat het waarschijnlijk slechts een kwestie van tijd is voordat het zomerhuis van haar ouders aan het Slettestrand in Noord-Jutland wordt getroffen door overstromingen. Want onder het huis, dat op slechts 400 meter van de baai van Jammerbugt in de gelijknamige gemeente ligt, staat de grondwaterstand inmiddels vaak zo hoog dat het risico bestaat dat grote hoeveelheden regen niet kunnen wegsijpelen, maar ga liever het huis binnen.

"Het is een zorg die we hebben als we veel regen krijgen", geeft ze toe.

Om bewoners en besluitvormers de beste kans te geven zichzelf te beschermen tegen overstromingen in het gebied, hebben onderzoekers van DTU de gemeente Jammerbugt geholpen een hulpmiddel voor vroegtijdige waarschuwing te ontwikkelen. Het kan lokale overstromingen langs rivieren, beken en kustgebieden in de gemeente 48 uur vooraf waarschuwen. Het is de eerste in zijn soort die lokale waarschuwingen voor overstromingen geeft.

"Het geeft ons de tijd om te reageren als dat nodig is, dus het zal een enorme hulp zijn", zegt Susanne Nielsen vanuit haar huis in Aalborg, zo'n 40 kilometer verwijderd van het zomerhuis dat ze verzorgt voor haar ouders, die in Noorwegen wonen.

Complexe aard, complexe berekeningen

De tool – een zogenaamde ‘natte index’ – is gebaseerd op kunstmatige intelligentie die is getraind op basis van vrij beschikbare gegevens over de dynamiek die het risico op overstromingen beïnvloedt. De gegevens zijn afkomstig van satellietbeelden en weersvoorspellingen, maar ook van informatie over de grond- en zeewaterstanden en de topografie van het landschap.

De beweging en ophoping van water in open landschappen zijn echter moeilijk te berekenen, omdat veel parameters van invloed zijn op de manier waarop water beweegt en zich ophoopt. Om met deze complexiteit om te gaan, werd kunstmatige intelligentie gebruikt bij de ontwikkeling van het model achter de natte index.

Door gebruik te maken van specifieke ontwerpprincipes bij de constructie van het model en het te voeden met zorgvuldig geselecteerde gegevens, hebben de onderzoekers volgens Roland Löwe inzicht gekregen in de waterbeweging, -verdeling en -interactie met de omgeving. Hij is een van de ontwikkelaars van de natte index en universitair hoofddocent bij DTU, gespecialiseerd in hoe water zich gedraagt.

Zowel ups als downs

De gemeente Jammerbugt heeft de tool in 2023 getest. De resultaten laten beter dan verwachte voorspellingen zien voor de natte lentemaanden. Tijdens de zomerperiode, toen Denemarken bijna door droogte werd getroffen, voorspelde de tool echter onjuiste overstromingen in dezelfde gebieden die tijdens de regenachtige lente waren overstroomd.

De onjuiste voorspellingen kwamen doordat de tool werd getraind met te weinig gegevens uit de zomermaanden. Dit komt omdat satellieten geen water onder de vegetatie kunnen registreren en omdat velden in de zomer bedekt zijn met planten, is de dataset in die tijd van het jaar kleiner.

“Een vroege waarschuwing moet relatief accuraat zijn, zodat burgers het systeem kunnen vertrouwen. Daarom hebben we ervoor gekozen om een ​​proefrit te maken, waarbij alleen geselecteerde burgers het regelmatig hebben gecontroleerd – en waarbij we als gemeente drones in de lucht hadden om voorspellingen te valideren ”, legt projectmanager Heidi Egeberg Johansen van de gemeente Jammerbugt uit.

Ze benadrukt echter dat de algemene ervaring is dat de projectpartners een tool met groot potentieel hebben gecreëerd. Daarom zoekt de gemeente naar financiering om het model opnieuw te trainen en mogelijk aan te passen, dat offline zal zijn totdat dat werk heeft plaatsgevonden, zegt Heidi Egeberg Johansen.

Snellere berekeningen en beslissingen

Nauwkeurige berekeningen zijn van cruciaal belang – niet alleen wanneer burgers en hulpdiensten waterleidingen en zandzakken klaar moeten hebben, maar ook wanneer bijvoorbeeld gemeenten moeten beslissen hoe ze hun afvoersystemen het beste kunnen uitbreiden om het nattere klimaat van de toekomst aan te kunnen. Traditionele simulaties kunnen gemakkelijk betrouwbare berekeningen opleveren van het vermogen van systemen om water om te leiden onder verschillende scenario's, maar volgens Roland Löwe duurt het een eeuwigheid om ze te voltooien.

"In de praktijk betekent dit dat elke keer dat planners iets moeten analyseren, ze consultants moeten inhuren die twee maanden in een doos verdwijnen voordat ze met resultaten kunnen komen. En dat is gewoon te lastig", legt hij uit.

Om de rekentijd te verkorten en tegelijkertijd de fysieke nauwkeurigheid te behouden, vertrouwen de onderzoekers op wetenschappelijk machinaal leren, een tak van kunstmatige intelligentie die twee verschillende benaderingen combineert.

Twee benaderingen in één

Een daarvan is machinaal leren, waarbij een computer uitzoekt hoe hij een grote hoeveelheid gegevens kan analyseren en voorspellingen kan doen zonder theoretisch inzicht te hebben in de verschijnselen die hij analyseert. Het spamfilter in uw e-mail of de gezichtsherkenningsfunctie in uw telefoon zijn voorbeelden van machine learning.

De andere benadering is wetenschappelijk computergebruik, waarmee bijvoorbeeld fysieke processen kunnen worden gesimuleerd, wat in dit geval de manier is waarop water door een bepaalde ruimte beweegt onder invloed van verschillende factoren.

“Het voordeel van het combineren van de twee benaderingen is dat je machine learning-modellen krijgt die een ingebouwd begrip hebben van hoe het systeem zich naar verwachting zal gedragen. Dit helpt ervoor te zorgen dat de modellen snelle voorspellingen genereren die fysiek logisch zijn en niet allemaal kloppen. over de plaats, wat een probleem kan zijn met machine learning-modellen", zegt Roland Löwe.

In een project waarbij de professor, samen met startup WaterZerv en universitair hoofddocent bij DTU Allan Peter Engsig-Karup, wetenschappelijke machine learning gebruikte om de beweging van water door drainagesystemen te voorspellen, slaagden ze erin berekeningen 100 keer sneller uit te voeren dan met traditionele modellen.

"Dus in plaats van een project uit te besteden, kun je de relevante besluitvormers in een ruimte verzamelen om de modellen live te laten draaien en de resultaten min of meer onmiddellijk te krijgen. Je kunt dan gaan zitten en verschillende opties uitproberen om de beste oplossing voor een project te vinden." gegeven situatie”, legt hij uit.

Geleverd door Technische Universiteit van Denemarken