שימוש ב- Machine Learning חיזוי שיטפון עירוני המושרה על ידי Rainfall נקודות חמות

האיום הגדל של שיטפוןי פלאש עירוניים

הצפות האורבניות המופעלות על ידי גשם אינטנסיביות הן בין הסיכונים הטבעיים היקרים והחמירים ביותר העומדים בפני אזורים מטרופוליניים ברחבי העולם. בערים ממבאי לניו יורק, אירועי משקעים קיצוניים מעלים רשתות ניקוז ההזדקנות תוך דקות, הופכים את הרחובות לנהרות, מרתפים את המרתפים, ומשתקים את מערכות התחבורה המסורתיות, בעוד שלעתים קרובות מאתגרות יותר, נאבקות, לעתים קרובות, כדי ללכוד את האינטראקציות המורכבות של פני השטח, המגוון, ומשתנים במהירות, משיטות למידה טבעיות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, המבוססות על ידי שיטות למידה טבעיות, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, אשר מאפשרות יותר, הן מהתבוננות טבעיות יותר, הן מהתבוננות מתקדמות יותר, הן מהתבוננות מתקדמות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, מהירות יותר, הן משיטות למידה מתקדמות יותר, הן מאפשרות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, הן מהתבוננות סביבתיות יותר, הן משיטות למידה מתקדמות יותר, הן משיטות למידה מתקדמות יותר, אך הן משיטות למידה

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

מכניקה של פלאש עירוני

הצפה עירונית מתרחשת כאשר עוצמת המשקעים עולה על יכולת חדירה של אדמה ואת יכולת העברת תשתיות מים סערה. במשכיות מים טבעיות, גשם חודר לתוך אדמה, הוא יירוט על ידי צמחייה, וטייל לאט מעל פני הקרקע.בסביבות בנויות, משטחים לא מאוישים כגוןphalt, בטון, גגות מכסים 30% עד 70% של שטח הקרקע.זה מקטין את החמצמים במהירות של האוכלוסייה הנטושבת, 000, 000 במהירות, 000, 000, 000, 000, 000, 000 במהירות, 000, 000, 000 גבוה יותר, 000, 000, 000 עד בינוניים, 000, 000, 000 עד היום, 000 גבוה יותר, 000, 000 גבוה יותר, 000 עד למעלה, 000 גבוה יותר, 000, 000, 000, 000 גבוה יותר, 000, 000, 000, 000 עד בינוניים, 000, 000 גבוה יותר, 000, 000 000 000, 000, 000, 000 עד בינוניים, 000 000 עד בינוניים, 000 עד בינוניים, 000 עד בינוניים, 000 עד בינוניים, 000 000 000 000 000 000 000 000 000 000, 000, 000 000 000 000 000, 000, 000, 000, 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000

גורמי אקלים: תשתיות ושינויי אקלים

מערכות ניקוז עירוניות רבות תוכננו באמצעות עקומות גשמים היסטוריים של קידוד קידוד, אשר כבר לא משקפות את תנאי האקלים הנוכחיים או העתידיים. A-2022 מחקר בFLT:0 Nature CommunicationsveFLT:1 מצאו כי שינויי האקלים מגבירים את תדירות אירועי גשם קצרים קיצוניים על ידי 7% לדרגה של התחממות משולבת עם תשתיות ההזדקנות, עירוניות, ואת ההשפעה החום-קרקע שיכולה להחמיר את פני השטח של דינמיקה מקומית, כדי לנבאדה, כדי למזג אווירית, בין קבוצות למידה מקומיות, כדי לנבאדות, באופן לא חוקי, כדי להדהים, כדי לכדי התחממות, כדי להדהים, כדי לנבאדות, בין קבוצות מתקדמות, כדי להדהים, כדי להדהים, כדי לנבאדים, כדי לנבא את ההשפעות של התחממות, בין קבוצות מתקדמות יותר, בין קבוצות מתקדמות יותר, בין התחממות, להדהים, בין התחממות, לבין התחממות, לבין התחממות, כדי לערים ירוקות, כדי להדהים, באופן קבוע, בין קבוצות מתקדמות, לבין התחממות, לבין התחממות, כדי לכדי טמפרטורות מתקדמות, כדי לנבאדות, בין קבוצות מתקדמות, בין קבוצות מתקדמות יותר, כדי להדהים, כדי להדהים, כדי להדהים, כדי להדהים, כדי להדהים,

תפקיד הלמידה של Machine Learning in Floodחיזוי

תגובה ל-Deep Learning: A brief Primer

(הלימוד מכונה מקיף משפחה של אלגוריתמים הלומדים דפוסים מהנתונים מבלי להיות מתוכנתים במפורש לעקוב אחר משוואות פיזיות.(FLT:0 Supervised LearningFLT:1) נשאר הגישה הנפוצה ביותר לחיזוי נקודות חמות, שבו נתונים של אירוע הצפה היסטורי (מעבדות) מתואמים את התכונות המתאימות ל-Digitalials (Digitalial), כגון סך הכלולים, אדמה, גובה ושימוש בקרקע.

מקורות נתונים: הדלק למודלי ML

תחזיות מדויקות תלויות בנתונים איכותיים, ברזולוציה גבוהה. ערכות תכונה של קלט אופייניות כוללות:

(FLT:0) נתוני קדם-התאמת: 1FLT:1 מדידות גאוג'י, רפידות מכ"ם מזג אוויר (למשל, NEXRAD, NOAA's MRMS), והערכות מרוסנות לווייניות (למשל, GPM, IMERG). רזולוציה טמפoral של 1-15 דקות היא קריטית ללכידת דינמיקת פלאש-floodod.
(FLT:0 Topography and hydrology:FLT:1) מודלים של עלייה דיגיטלית (DEM) ברזולוציה של 1-10 מ' כדי למקם את הצטברות זרימת הדם, מדרון, ואחסון בדיכאון. LiDAR-derived DEMs לספק את הדיוק הדרוש עבור מודלים בקנה מידה עירוני.
(FLT:0Land use and Land Cover:FLT:1ibious פני השטח אחוז, שטח ירוק, סוג אדמה, ו צפיפות רשת זונינג ונתונים בלתי מזוקקים יכולים להצביע על אזורים עם פגיעת מבנית גבוהה.
(FLT:0)Infra Structure Structureure:FLT:1 Pipe Network Maps, Stormwater Inlet מיקומים, מצב תחנת משאבה ורשומות תחזוקה. נתוני חיישן בזמן אמת ממוניטורים ברמת המים ומרגלי זרימה מוסיפים משוב דינמי.
(FLT:0 תצפיות תצפיתיות של תצפיות מצפות:FLT:1hil Crowdsourced דוחות, תביעות ביטוח, 311 בקשות שירות, ודימויים לוויין של מהירויות undation. אלה תוויות ⁇ הם לעתים קרובות דלים וטיות, הדורש טיפול זהיר.

הנדסה ופיתוח מודל

הנדסה תכונה היא צעד קריטי שממיר נתונים גולמיים לסימנים חיזוי.תכונות מונדסות נפוצות כוללות:

(ב) ,0) ,(Rainfall Limits: FLT:1 אינטנסיביות מקסימלית מעל 5, 15 ו 60 דקות חלונות.
(ב) ,0) מדד המשקעים הממוקד (API): אנדרל 1 (AGR) מדד משקל של גשם הקודם המשקף תנאי לחות קרקעיים.
(ב) מדד הרטובות האוטוביוגרפי (TWI): אנדרל 1 (Active State Index of wetness Based on Flowצטברות ומורדות).
(FLT:0) ,Distance to Near Stormwater Outlet או הזרמת:FLT 1:1 Proximity to ניקוז תשתיות יכול להגדיל או להקטין את הסיכון בהתאם ליכולת.
(FLT:0) אינדיקטורים מורפולוגיה מורפולוגיה:FLT:1 רוחב רחוב, צפיפות בנייה וכיוון המשפיעים על ריכוז ההמראה.

מודלים הם בדרך כלל מאומן על אירועי סערה היסטוריים, עם משתנה היעד להיות סיווג בינארי (flood / Noשיט) בתא רשת מסוים או Node, או משתנה מתמשך כגון עומק מים מקסימלי. validation חוצה גבולות חיוני כדי להימנע ביצועים אופטימיים יתר על המידה כי נתונים מציפים תצוגת אוטוור מרחבי חזק. מודל מתואם יכול להשיג שטח תחת עקומת הפעלה (AUC) ערכים מוכחים מעל אזורי מבחן, כמו יוסטון, כמו , 000, כמו , 000 , 000 , 000 , כמו , 000 , 000 , 000 , כמו , 000 , 000 , 000 , 000 , 000 , 000 , כמו , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 ⁇ ⁇ , 000 , 000 , כמו ⁇ ⁇ , 000 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

שיטות למידת מכונות המשמשות

למידה מבוססת-על: תחזיות היסטוריות

שיטות למידה סופר-ביאודיות לבנות מיפוי ישיר מתכונות קלט להתרחשות הצפה:0 תוקפנות לוגיסטית של תגמול FLT:1 מספק בסיס פשוט, אבל שיטות עץ האנסמבל שולט בפועל:2Random Forestphigout XLT 3 מצטבר מאות עצי החלטה מאומן על תת-קרקעית של נתונים ותכונות, הפחתת יעילות ונבנה על ידי תחזיות (Gicialsto-Foofo) של 2, לדוגמה, 000 של טיפול ב-Gateicialsto-Gateamsto-Gateamsto-Gateamsto-Foompstation 5, 000, 000, 000, 000, 000, 000 של ציוד ל-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-Foompst-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-

למידה בלתי מבוקרת: חשיפת תבניות סיכון נסתרות

טכניקות לא מבוססות יכולות לזהות אזורים עם פרופילים דומים בסיכון בעת תוויות שיטפונות היסטוריים או לא זמינים.FLT:0K-means מקבץ של קטגוריות 1:1 המבוססים על תכונות כגון גובה, מדרונות, ומכשולים, ומייצרים תחזיות של נתונים בסיכון גבוה, אשר לעתים קרובות יוצרות מערכות נתונים של סרטן או תאים סרטניים.

למידה עמוקה: Capturing Spatiotemporal Complexity

(אדריכלות למידה עמוקה הראו הבטחה מיוחדת לשילוב בין ממדים מרחביים וזמניים של תהליכי שיטפונות;0) LSTM (ConvLSTM) (ConvLSTM) לשילוב בין מיצוי התכונות המרחביות של CNN עם רצף זמני המצטבר של ערוצי לכידת נתונים משולבים (GLTs) 2023 מ סיאול, דרום קוריאה, ליישם מודל קונפוציולוגי לרצף של מפות ו-DGD, כדי להשיג גרף נתונים מנפחים מ-D) ב-D2GD.

היתרונות של Machine Learning in Flood Hotspot חיזוי

תוצאות יעילות ופוליטיות

מודלים של למידת מכונות יכולים לפעול ברזולוציה מרחבית של 1-10 מטרים, קנס רחוק יותר מ 100 מטר לרשתות של 1 ק"מ עד 1 ק"מ בשימוש בדרך כלל במודלים הידרולוגיים בקנה מידה עירוני.רזולוציה בסדר גודל זה מאפשר זיהוי של מגזרי רחוב ספציפיים, בניית כניסות, או אבני תשתית קריטיים כי הם פגיעים ביותר.מחקרים מראים כי מפות רגישות מבוסס ML ממות ניתוח מסורתי מולטי-ת השוואתי (MC) ומודלים של סרטן איטי יותר של סרטן, לעומת זאת, לדוגמה, ירידה של טמפרטורה נמוכה יותר של מצופה של רזולוציה של ריבועית של רזולוציה של ריבועית, ירידה של טמפרטורות נמוכות יותר של ריבועית של טמפרטורות נמוכות יותר של ריבועית, לעומת קיבולת נמוכה יותר של טמפרטורות נמוכות יותר של קיבולת של קיבולת של קיבולת נמוכה יותר של קיבולת של ריבועית של קרינת HRA , לעומת קיבולת של קיבולת של ⁇ קיבולת של קיבולת של קיבולת של קרינת HRA ⁇ קיבולת של ⁇ ⁇ קיבולת של קיבולת של קיבולת של קרינת HRA קיבולת של קיבולת של קיבולת של רזולוציה של רזולוציה של קיבולת של רזולוציה של רזולוציה של רזולוציה

זמן אמת ותחזיות זמן-אמת-אמת-אמת

לאחר אימון, רוב דגמי ה-ML מבצעים תחזיות ב- מילימטרים, המאפשרים שילוב לתוך מערכות התראה מוקדמות בזמן אמת.המיקום המבולבל של שירות מזג האוויר ומערכת הידרוגרפים (FLASH) משתמשים במכונה כדי לייצר הנחיה פרובביליסטית ברזולוציה של 1 ק"מ ברזולוציה של 1 ק"מ ברחבי ארה"ב, מעודכנת כל 15 דקות, העיר של תוכנית לוח המחוונים של לונדון כבר רשמה 2 שעות על פני כדור הארץ.

עלויות יעילות ו Scalability

פיתוח מודל הידראולי עירוני מבוסס פיזיקה יכול לעלות מאות אלפי דולרים ודורש חודשים של קלברציה על ידי hydrologist מומחה. לעומת זאת, גישה מבוססת ML ניתן לבנות באמצעות ספריות קוד פתוח ונתונים זמינים לציבור בשבריר של העלות. לאחר תפעולי, המודל ניתן לבודד באופן מצטבר עם נתונים חדשים, להסתגל לשינוי תנאי קרקע ואקלים ללא יכולת הפעלה ידנית זה הוא חסר תקדים במיוחד עבור הגדלה של מודלים עירוניים.

תמיכה בקבלת החלטות עבור תכנון עירוני

מפות רגישות מבול הנגזרות ממודלים של ML יכולות להיות מוגזמות עם נתונים דמוגרפיים, ערכי רכוש, ושכבות תשתיות קריטיות כדי לאשר השקעות בתשתיות מים ירוקות, כגון גינות גשם, סולמות חד-משמעיות, ואגן שימור. עיר קופנהגן, לדוגמה, משתמשת בפלט למידה מכונה כאחד מכמה קלטות לתוך תוכנית הניהול של Cloudburst שלה, אשר מקצאת כספים לפרויקטים הגנה על בסיס סיכון ברמת הבלוק.

אתגרים ומגבלות

איכות נתונים וזמינות

המודעה "גרביטה פנימה, אשפה" חלה בנחרצות על חיזוי השיטפון מבוסס ML.ממציאים היסטוריים הם לעתים קרובות שלמים, מוטה לאירועים גבוהים, או שנרשמו בקנה מידה מרחבי קוהרזה.נתוני קרואד יכולים למלא פערים אך מציגים רעש ומיקום אי דיוקים (אך אינם מסוגלים לזהות אירועים קטסטרופליים) אלא למקרים נדירים של מחסור בתאונות דרכים (אך לא ניתן לזהות תופעות לוואי) של מחסור בתאונות דרכים נדירות (אך לא-חומרים) בהשוואה למקרים נדירים (אך לא-חומרים).

מודל אי-אפשרות ואמון

מתכננים עירוניים ומנהלי חירום דורשים לעתים קרובות הסברים שקופה לתחזיות מודל כדי להצדיק החלטות כגון הנפקת צווי פינוי או הקצאת כספים.מודלים Black-box כמו רשתות עצביות עמוקות יכול להיות קשה לפרש.למרות ההתקדמות ב- AI (XAI) - כגון ערכי SHAP, LIME, ותלות חלקית מזימה - יש פער בין ניתוח טכני ואמון תפעולי.

סקלאלה לתנאי Hyper-Local

מודל מאומן בעיר אחת עשוי לא להעביר היטב לאחר בשל הבדלים בחומרי בנייה, עיצובי מערכת ניקוז, ושיעורי חדירה הקרקע.חוסר תוקף חיצוני זה אומר שכל אזור עירוני בדרך כלל דורש איסוף נתונים משלו ו calibration, הגבלת היכולת לפרוס מודל אוניברסלי אחד.עם זאת, הסתגלות דומיין וטכניקות למידה מועברות נחקרות כדי להפחית את דרישות הנתונים עבור ערים חדשות על ידי מינוף ידע טוב ממלכודת היטב מנקודות מבט עירוניות.

שילוב עם פעילות בזמן אמת

חלוקת מודל ML בהגדרה מבצעית מחייבת תשתיות חזקות: הזנת נתונים אמינה, משאבים מותאמים להגדרה, מנגנוני כושלים וכוח אדם המאומנים לפרש ולפעול על גבי מודלים.ערים רבות אין יכולת טכנית לשמור על מערכות כאלה. שותפויות ציבוריות-פרטיות ציבוריות (למשל, שירותי GRAF של IBM, שירותי מזג האוויר של מחר) ו- API מבוסס ענן מקטין את המכשולים לאספקת המידע, אך עדיין אתגרים משמעותיים בתחום ה- IT, אך עדיין קיימים.

כיוונים עתידיים: לעבר Smarter, More Resilient Cities

שילוב עם רשתות דיגיטליות ורשתות IoT

הגבול הבא בחיזוי הצפה העירוני הוא שילוב של מודלים למידת מכונה לתאומים דיגיטליים בקנה מידה עירוני - העתקים וירטואליים של תשתיות פיזיות המשלבות נתוני חיישן בזמן אמת עם סימולציה ו- AI.מודל ML המוטבע בתאום דיגיטלי יכול לעדכן באופן רציף מפות סיכון כמו מד גשם חדש ונתונים ברמת מים מגיעים, ולנהל את מה תרחישים עבור אירועים מתוכננים או תשתיות.

מודלים של פיזיקה-ML

גוף גדל של עורכי דין מחקר עבור FLT:0 פיזיקלוס-ידע מכונה למידה מכונה למידה FLT:1, שבו חוקים פיזיים (למשל, שימור מסה, משוואות מוכות) משולבים לתוך תפקוד אובדן או אדריכלות רשת. אלה מודלים היברידיים לשמור על הפרשיות ואת יכולת הפשטה של מודלים המבוססים על פיסיקה תוך מתן נתונים לתיקון הטיה ולכידת תהליכים עירוניים, ייתכן לשלב מודל היברידית או מרוקן של תרכובת עם מודלים היברידיים של מפונקציה מקומית עם מודלים מטבוליים.

Tweets, פוסטים בפייסבוק, ודיווחי התנועה של Waze יכולים לשמש כאינדיקטורים בזמן אמת של שיטפונות, במיוחד באזורים ללא כיסוי מד.מודלים לעיבוד שפה טבעית (NLP) יכולים לחלץ מיקום וחומרה מטקסט שלא מובנה. A מחקר של הצפות האירופיות 2021 בשימוש בנתונים טוויטר כדי לזהות 500 מיקומים לא מוקלטים בעבר, הגדלת מערכת האימונים עבור מודלים של ML.

שינוי האקלים באמצעות למידה רציפה

כמו שינויי האקלים משנים את הגשמים, מפות שיטפון סטטיות ומודלים הופכים מיושן.מערכות למידת מכונות יכולות להיות מיועדות ללמידה מקוונת מתמשכת, החלת אירועי הסערה האחרונים כדי ללכוד את התפתחותן של אי-ההתאמה.זה הסתגלות היא יתרון מפתח על ניתוח תדר מסורתי.סוכנות ניהול חירום פדרלי בארה"ב (FE) בוחנת את השימוש במודלים הסתגלותיים למפות פוליסת ביטוח מבול (FI) לעתים קרובות יותר ממחזור נמוך יותר ממחזור חירום פדרלי של ארה"ב.

דמוקרטיזציה באמצעות Open Data and Open Models

ארגונים כמו הבנק העולמי והצלב האדום פיתחו ערכות קוד פתוח לערכת סיכונים הצפה, עם מודלים מאומנים מראש שניתן יהיה לכוונון היטב לתנאים המקומיים.דוגמאות כוללות את ערכת הכלים של FLT:0Global Flood Susceptibility MapcioFLT:1 (מבוסס על מודל יער אקראי מאומן על נתונים מעוקל מים גלובליים) ואת FLT2Fomath Global Hazsceptibility Mapirdance משתמשת באופן דרמטי במדינות בעלות הכנסה נמוכה (אשר יכול לשפר את כלי רכב מבוזרים מקומיים).

מסקנה

למידת מכונות אינה כדור כסף לחיזוי הצפה העירוני, אבל זהו כלי טרנספורמטיבי שמשלים את מסגרות ההנדסה ההידרולוגיות הקיימות וניהול סיכונים.על ידי למידה ישירה מהנתונים - מרגעי הגשמים ועד דוחות מדיה חברתית - מודלים של ML מספקים מתכננים עירוניים מוכנים, מנהלי חירום ואזרחים עם מידע פעיל במהירות חסרת תקדים ופרטי שטח.

קישורים חיצוניים

מחקר מדעי הטבע על שינויי האקלים וגלי גשם קצרים
(ב) ,0) מערכת ה- FLASH של חליל בזמן אמת (FLT)
(ב) ,0) פלטפורמת מודיעין מזג האוויר של פלואוקל (Halmorrow) עבור נתוני מזג האוויר היפרקלוקליים
(FLT:0 Global Flood Ads System) - נתונים פתוחים לשיטפונות מודל ל-FLT:1