Kunstig intelligens forudsiger oversvømmelser

Kompleks natur, komplekse beregninger

Værktøjet – et såkaldt vådindeks – bygger på kunstig intelligens, der er trænet på frit tilgængelige data om dynamikker, som har indflydelse på risikoen for oversvømmelser. Data kommer bl.a. fra satellitbilleder og vejrudsigter samt information om grund- og havvandstand og landskabets topografi.

Vandets bevægelse og ophobning i åbent landskab er dog en svær størrelse at lave beregninger på, fordi rigtig mange parametre spiller ind på, hvordan vand bevæger og ophober sig. For at kunne håndtere denne kompleksitet er der i udviklingen af modellen bag vådindekset brugt kunstig intelligens.

Ved at udnytte bestemte designprincipper i opbygningen af modellen og ved at fodre den med nøje udvalgt data har forskerne indbygget en forståelse af vandets bevægelse, distribution og interaktion med det omgivende miljø. Det forklarer Roland Löwe, som er en af udviklerne af vådindekset samt lektor ved DTU med speciale i, hvordan vand opfører sig.

Både gode takter og fejl

Jammerbugt Kommune har i 2023 testet værktøjet. Resultaterne viser bedre forudsigelser end forventet for de våde forårsmåneder. I sommerperioden, hvor Danmark nærmest var ramt af tørke, varslede værktøjet dog fejlagtigt oversvømmelser de samme steder, som havde været oversvømmet i det regnfulde forår.

De fejlagtige forudsigelser skyldes, at værktøjet er trænet med for lidt data fra sommermånederne. Satellitter kan nemlig ikke registrere vand under vegetation og da f.eks. markerne er dækket med afgrøder om sommeren, bliver datagrundlaget på den tid af året derved mindre.  

”En varsling skal være forholdsvis præcis, for at borgerne har tillid til systemet. Det er årsagen til, at vi valgte at køre testdrift, hvor kun udvalgte borgere har kigget med jævnligt – og hvor vi som kommune har haft droner i luften til at validere prædiktioner,” forklarer projektleder Heidi Egeberg Johansen fra Jammerbugt Kommune.

Den overordnede oplevelse er dog, at projektpartnerne har lavet et værktøj med stort potentiale, understreger hun. Derfor søger kommunen midler til at gentræne og evt. tilrette modellen, som vil være offline, indtil det arbejde har fundet sted, siger Heidi Egeberg Johansen.

Hurtigere beregninger og beslutninger

Retvisende beregninger er afgørende – ikke bare når borgere og beredskaber skal finde watertubes og sandsække frem, men også når f.eks. kommuner skal beslutte, hvordan de bedst skal udbygge deres afløbssystemer, så de kan håndtere fremtidens vådere klima. Traditionelle simuleringer kan sagtens producere bundsolide beregninger af systemers evne til at lede vand væk under forskellige scenarier – men ifølge Roland Löwe tager de en evighed at gennemføre.

”Det betyder i praksis, at hver gang planlæggere skal have analyseret noget, er de nødt til at hyre nogle konsulenter, som forsvinder ned i en boks i to måneder, før de kan komme tilbage med nogle resultater. Og det er simpelthen for besværligt,” forklarer han. 

For at forkorte beregningstiden, mens man bevarer den fysiske nøjagtighed, satser forskerne på scientific machine learning, som er en gren af kunstig intelligens, der forener to forskellige tilgange.

To tilgange i én

Den ene er maskinlæring, hvor en computer selv finder ud af, hvordan den skal analysere en stor mængde data og komme med forudsigelser, dog uden at have en teoretisk forståelse for de fænomener, den analyserer på. Spamfilteret i din e-mail eller ansigtsgenkendelsesfunktionen i din telefon er eksempler på maskinlæring.

Den anden tilgang er scientific computing, der f.eks. kan simulere fysiske processer, hvilket i dette tilfælde drejer sig om, hvordan vand bevæger sig gennem et givent rum under påvirkning af en række faktorer.

”Fordelen ved at kombinere de to tilgange er, at man får nogle maskinlæringsmodeller, som har en indbygget forståelse for, hvordan systemet forventes at opføre sig. Det er med til at sikre, at modellerne genererer hurtige prædiktioner, der giver mening rent fysisk og ikke bare skyder til højre og venstre, hvilket kan være et problem, man kan løbe ind i med maskinlæringsmodeller,” siger Roland Löwe.

I et projekt, hvor lektoren sammen med startupvirksomheden WaterZerv og lektor ved DTU Allan Peter Engsig-Karup brugte scientific machine learning til at forudsige vandets bevægelse gennem afløbssystemer, lykkedes det at udføre beregninger 100 gange hurtigere end med traditionelle modeller.

”Så i stedet for at udlicitere et projekt kan man samle de relevante beslutningstagere i et lokale for at køre modellerne live og få resultaterne mere eller mindre med det samme. Man kan så sidde og prøve sig frem for at finde den bedste løsning i en given situation,” forklarer han.