Bakgrunn
De siste ti årene har skader forårsaket av vær- og naturhendelser kostet 27 milliarder kroner i Norge. En del av disse skadene kunne vært unngått med et varslingssystem og rask handling fra kommunenes side. Norges vassdrags- og energidirektorat (NVE) har flomvarsling, men bare for større elver.
Saken
Leira i Lillestrøm flommer ofte over og er ikke omfattet av NVEs varslingssystem. Disse flommene krever en respons for å unngå skader eller i noen tilfeller tap av menneskeliv. Hvis de hadde hatt et varsel, ville Lillestrøm kunne redusere vaktpersonellet og planlegge for stenging av broer til sykehus og mellom boligområder.
Målet
Ved å forutsi vannstanden i elven når den flommer over, vil vi kunne forutsi når det er behov for utrykning. Dette kan spare Lillestrøm for penger, samt hjelpe innbyggere og ambulanser med å finne veien rundt stengte broer. Målet er å ha en nøyaktig 12-timers prognose, slik at innsatsteamene kan se hvordan elvenivået vil utvikle seg og ha tid til å planlegge en optimal respons.
Hva InfoTiles gjør
Det siste året har vi samarbeidet med Lillestrøm kommune knyttet til elva Leira, som ofte har utfordringer knyttet til høy vannstand og ikke får varsling fra NVE. Ved flom må planleggerne reagere raskt og riktig for at det ikke skal oppstå store materielle skader og menneskelige tap. Med tidlig varsling kan Lillestrøm redusere vakthold og varsle om potensielt stengte broer til sykehus og innbyggere.
Dataene vi samler inn
Vi samler inn enorme mengder data fra sensorer, drifts- og kontrollsystemer (SCADA), åpne data fra met.no og NVE og kobler det hele sammen med #maskinlæring. Flomvarslingsløsningen er nå i drift for Asgeir og teamet på Lillestrøm. En felles tjeneste som byer og kommuner kan ta i bruk både i og utenfor Norge allerede nå. Verdien av en felles løsning er at man ikke starter fra scratch. Man kan bruke anonymiserte data og erfaringer fra andre elver der løsningen allerede finnes. Det er vinn-vinn for alle og sparer ressurser og gir kritisk tid tilbake til nødetatene.
Metode og analyse
Vi evaluerte LSTM-modeller (Long short-term memory), men fant ut at de ikke hadde tilstrekkelig ytelse for akkurat dette bruksområdet. Vi bestemte oss for å bruke et konvolusjonalt nevralt nettverk (CNN) i Resnet-stil for å forutsi elvenivået. Resnet betyr at modellen bare trenger å estimere endringen. For å trene CNN brukte vi data vi samlet inn fra november 2020 til juli 2021. Vi delte opp dataene for å kunne trene og teste, og vi tok grep for å forhindre overtilpasning, som var et problem i begynnelsen.
Hvor nøyaktig er maskinlæringen vår?
Resultatene er gode og har en gjennomsnittlig absolutt feil på 5 cm. Foreløpig er modellen mindre pålitelig når elven har konstant lav vannstand, men dette er ikke av direkte interesse ettersom det ikke oppstår flom ved lav vannstand. Selv om det ikke er avgjørende, jobber vi likevel med å forbedre modellen slik at den blir nøyaktig på alle nivåer.
Hva kundene våre sier
"[Vi] brukte løsningen aktivt under krisen. Det var verdifullt å kunne følge situasjonen i sanntid etter hvert som den utviklet seg i Leirsund, og flere steder oppstrøms."
- Asgeir Hagen, seksjonsleder, Databaser og prosessledelse, Vann og vannmiljø, Lillestrøm kommune
Fakta om oversvømmelser i verden
- Ingen annen naturkatastrofe i USA har forårsaket mer død og ødeleggelse enn flom.
- Oversvømmelser forårsaker årlig skader for mer enn 40 milliarder dollar på verdensbasis
- Det er få steder på jorden hvor oversvømmelser ikke er et problem
Fakta om flom i Norge
- Vil koste 85 milliarder kroner å sikre bygninger mot flom og skred
- 210 000 bygninger i Norge trenger sikring mot flom og skred, ifølge NVE.
- Våren er høysesong for flom på Østlandet
- Flom skyldes hovedsakelig snøsmelting og ekstremregn
Ressurser