Innholdsfortegnelse
Bakgrunn
I løpet av de siste 10 årene har skader forårsaket av vær og naturhendelser kostet 27 milliarder kroner i Norge. Noen av disse skadene kunne vært forhindret med et varslingssystem og rask handling fra kommunene. Norges vassdrags- og energidirektorat (NVE) har flomvarsler, men bare for større elver.
Casen
Elven Leira i Lillestrøm flommer ofte over og er ikke dekket av NVEs tidligvarslingssystem. Disse flommene krever tiltak for å unngå skade eller i noen tilfeller tap av liv. Hvis de hadde en varsling, ville Lillestrøm være i stand til å redusere beredskapspersonell og planlegge for stenging av broer til sykehus og mellom boligområder.
Målet
Ved å forutsi elvenivåene for når elven flommer over, vil vi kunne forutsi når det kreves en respons. Dette kan spare Lillestrøm for penger, samt hjelpe innbyggere og ambulanser med å rute rundt stengte broer. Målet er å ha en nøyaktig 12-timersvarsel, slik at beredskapsteamene kan se hvordan elvenivået vil utvikle seg og ha tid til å planlegge en optimal respons.
Hva InfoTiles gjør
I løpet av det siste året har vi samarbeidet med Lillestrøm kommune knyttet til elven Leira, som ofte har utfordringer knyttet til høye vannstander og ikke mottar varsel fra NVE. Under flom må planleggere reagere raskt og korrekt slik at det ikke forårsaker store materielle skader og tap av menneskeliv. Med tidlig varsling kan Lillestrøm redusere sikkerhetspersonell og varsle om potensielt stengte broer til sykehus og beboere.
Dataene vi samler inn
Vi samler inn store 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 operativ for Asgeir og teamet i Lillestrøm. En felles tjeneste som byer og kommuner kan bruke både i Norge og utover akkurat nå. Verdien av en felles løsning er at du ikke starter fra scratch. Du kan bruke anonymiserte data og erfaringer fra andre elver der løsningen allerede eksisterer. Det er en vinn-vinn for alle og sparer ressurser og gir kritisk tid tilbake til førstelinjeansatte.
Metode og analyse
Vi evaluerte Long short-term memory (LSTM) modeller, men fant dem mangelfulle i ytelse for denne spesifikke applikasjonen. Vi bestemte oss for å bruke et convolutional neural network (CNN) i en Resnet-stilarkitektur for å forutsi elvenivåene. 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 dataene for å tillate trening og testing og tok grep for å forhindre overtilpasning, som var et innledende problem.
Hvor nøyaktig er vår maskinlæring?
Resultatene er gode og har en gjennomsnittlig absolutt feil på 5 cm. For tiden er modellen mindre pålitelig når elven er på et konstant lavt vannstand, men dette er ikke av direkte interesse da ingen flom oppstår ved lave nivåer. Likevel, selv om det ikke er avgjørende, forbedrer vi modellen for å være nøyaktig på alle nivåer.
Hva våre kunder sier
"[Vi] brukte løsningen aktivt under krisen. Det var verdifullt å kunne følge situasjonen i sanntid slik den utviklet seg i Leirsund, og flere punkter oppstrøms."
- Asgeir Hagen, Seksjonsleder, Databaser og Prosessforvaltning, Vann og Vannmiljø, Lillestrøm Kommune
Fakta om flom i verden
- Ingen annen type naturkatastrofe i Amerika har forårsaket mer død og ødeleggelse enn flom.
- Flom forårsaker mer enn 40 milliarder dollar i skade over hele verden årlig
- Det er få steder på jorden hvor flom ikke er en bekymring
Fakta om flom i Norge
- Vil koste 85 milliarder norske kroner å sikre bygninger mot flom og skred
- 210 000 bygninger i Norge trenger beskyttelse mot flom og skred, ifølge NVE.
- Våren er høysesong for flom på Østlandet
- Flom skyldes hovedsakelig snøsmelting og ekstrem nedbør
Ressurser