극한 기상 사건 중 긴요한 인프라의 탄력을 강화하기위한 예측 분석

Precipitation Data 소스 이해

강수량 분석은 고품질 데이터로 시작된다. 강우량 패턴, 강도 및 지속의 종합 그림으로 여러 소스 피드. 주요 데이터 소스는 다음과 같습니다 :

Ground 기반 기상청 – 자동화된 비계 및 팁-버렛 센서는 높은 임시 해상도에서 포인트 측정을 제공합니다. 국가 기상 서비스 협력업체 프로그램과 같은 네트워크는 추세 분석에 필수적인 장기적인 레코드를 제공합니다.
Weather radar (e.g., NEXRAD) – Doppler radar는 1km로 공간 해상도를 가진 넓은 지역에 걸쳐 강수량을 추정합니다. 레이더 반사율은 비우량으로 변환되지만, 게이지에 대한 교정은 비스듬한 감소를 필요로 합니다.
토ellite Remote Sensing – 지구 예측 측정(GPM) 임무와 열대우림 측정 미션(TRMM)과 같은 위성은 해양과 원격 지구에 대한 내보낸다. 그들은 비가 예상되는 전자 레인지 배출량을 측정한다.
Climate model and reanalysis products – 북미 지역 Reanalysis Blend 관측과 같은 모델들은 수십 년 동안의 침입된 강수 필드를 생산하기 위해 물리 기반 시뮬레이션을 가진 관찰을 혼합.

데이터 퓨전을 통해 이러한 소스를 결합하면 정확도를 향상시킵니다. 예를 들어, GPM (IMERG) 알고리즘의 통합 멀티 위성 Retrievals는 위성, 게이지 및 레이더 데이터를 결합하여 반 시간, 고해상도 강수량 추정치를 창출합니다. 이 멀티 센서 접근법은 단일 게이지가 현지화된 다운펄스를 견딜 수 있는 극단적인 이벤트에서 가변성을 캡처하는 데 중요합니다.

고급 분석 기술

통계 및 주파수 분석

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

기계 학습 및 딥러닝

인공 지능의 최근 발전은 ] 예측을 가능하게했습니다. ] - 6시간 전에 단기 예측. Convolutional LSTM (ConvLSTM) 네트워크 및 유전적 인 adversarial 네트워크 (GANs)는 레이더 스퀀스에 훈련 된 것은 처음 몇 시간 동안 전통적인 수치 모델을 초과하는 기술로 비 세포 운동을 예측할 수 있습니다. 이 도구는 이미 플래시 홍수를위한 운영 경고 시스템에서 배포됩니다.

잉카와 Probabilistic 예측

미국 기상 예측 모델은 ensemble 예측을 생산하기 위해 약간의 멸망된 초기 조건으로 여러 번 실행됩니다. 회원 중 스프레드는 불확실성의 측정을 제공합니다. 인프라 운영자는 위험 기반 결정에 대한 예측을 사용하여 응급 승무원 또는 사전 배치 펌프와 같은 단일 세분화 예측에 의존하지 않고도 위험 기반 결정이 될 수 있습니다.

애플리케이션 Across Critical Infrastructure 부문

의정부

철도 네트워크의 경우, 세척은 1 차적인 위험입니다. 토양 포화 모델 (예 : Antecedent Precipitation Index)을 사용하여 강수 예측을 결합하여 운영자는 취약한 세그먼트에 대한 속도 제한 또는 중단 서비스를 발급 할 수 있습니다. 미국 동북 복도의 연구는 시간당 강수량 예측이 15 % 감소 된 기상 관련 지연으로 예상된다는 것을 발견했습니다.

에너지

전기 그리드는 강수 극단에 취약합니다. 무거운 비는 오염 구조화로 인해 전송선에 플래너를 일으킬 수 있으며, 역류를 덮어 넣을 수 있습니다. 예측 추세의 분석은 어려운 전략을 알 수 있습니다. 중요한 장비를 고집하고, 잠수할 수 있는 스위퍼를 설치하고, 시설 주변의 배수를 개선하십시오.

수력 작업은 수압 관리를위한 강수 예측에 따라 다릅니다. 정확한 유입 예측은 수압 저장을 사용하여 홍수 제어를 균형 잡힌 작업자를 허용합니다. 2023에서 미국 육군 엔지니어는 주요 폭풍으로 앞서 미주리 강 시스템에서 사전 방출 수를 사용했습니다. 통제되지 않은 과잉을 피하는 피.

물과 폐수

폭풍우 시스템은 과거의 비우 통계에 따라 크기가 작습니다. 기후 변화와 많은 시스템은 현재 크기가 작습니다. 예측 분석은 녹색 인프라 계획 : 비 정원, 침투성 포장 및 보존 분지는 고해상도 강우량의지도를 사용하여 사이트화됩니다. 폐수 처리 식물은 또한 결합 된 하수구 오버 플로우를 관리하기 위해 실시간 강수 데이터를 사용하여 저장 터널을 활성화합니다.

주목할만한 예: Milwaukee Metropolitan Sewerage District의 Deep Tunnel 시스템은 521 백만 갤런을 저장 할 수 있으며 실시간 레이더 비우기 견적 및 앙상블 예측을 사용하여 운영됩니다. 이 시스템은 구현 이후 80 % 이상의 과잉 주파수를 감소했습니다.

의정부

통신 네트워크 – 특히 전자 레인지 및 위성 링크 – 대기 오염으로 인해 무거운 강우에 의해 평가됩니다. 예상 분석은 엔지니어 설계 링크 예산을 적절 한 퇴적 마진과 다양성 계획과 함께. 해안선 근처 셀 타워 또한 얼굴 홍수 위험; 강우 및 폭풍 큰 파도 결합 데이터 가이드 타워 높이 및 백업 전력 배치의 GIS 기반 분석.

사례 연구

Coastal City: 노퍽, 버지니아

Norfolk는 강수와 해수면 상승에서 만성 투광을 직면합니다. 도시는 Cloudburst Management Plan]를 창조한 역사적인 강우 데이터와 미래 기후 예측을 분석한 후 만들었습니다. IMERG 위성 데이터 및 로컬 게이지 네트워크를 사용하여 20 개의 고위험 배수장치 분지를 식별했습니다. 하위 낙하수 저장 볼트, 바이오-스워스 및 실시간 제어 게이트를 설치한 Interventions는 도로의 파괴를 통해 10 % 감소합니다.

도시 철도 : 런던 지하

극한 강수 사건은 런던 지하로 물 진입을 일으키는 원인이 되고, 서비스 중단. 런던 (TfL)를 위한 수송은 를 적용합니다 예상 빈도 분석] 그것의 네트워크에 적용했습니다. 회사는 지금 그것의 네트워크에 24 시간에서 40 mm의 문턱을 이용하고 이동할 수 있는 펌프를 배치하는 가장 홍수 증거 역의 전 면제 마감을 방아쇠를 끊기 위하여 사용합니다. TfL는 또한 네트워크 개선, 검증을 통하여 12 35의 역에서 비 계기 적용을 확장했습니다.

댐 안전: 오로빌 다마, 캘리포니아

2017 spillway 위기 후, 캘리포니아 워터 리소스의 부서는 강수량 모니터링을 업그레이드했습니다. 그들은 Feather River Watershed의 48 비 게이지의 밀도 네트워크를 설치하고 중간 범위의 날씨 예보 (ECMWF) 유럽 센터의 앙상블 강수량 예측을 채택했습니다. 새로운 분석 도구는 이제 운전자가 폭풍 피크 전에 최대 72 시간까지 제어 된 릴리스를 시작으로 유출로 인한 압력을 줄일 수 있습니다.

Precipitation Analysis를 정책 및 계획으로 통합

재합격으로 번역하는 강수 분석에 대한, 그것은 계획 과정에서 임베디드되어야한다. 국립 과학 아카데미는 인프라 기관이 채택하는 것을 권장합니다 ]지속적인 위험 평가 기구 업데이트 된 강수 투사 각 5 년. 많은 시정은 지금 개발자가 최신 NOAA Atlas 14 (또는 새로운 Atlas 15) 강수량 추정치를 사용해야합니다.

미국 시민 엔지니어 협회 (ASCE) 표준 24-20, 홍수 방지 디자인 및 건설, 홍수 부하를 결정하기위한 참조 강수 분석. 마찬가지로, 연방 비상 관리국 (FEMA)는 특별 홍수 위험 지역을 정의하기 위해 강수 데이터를 사용합니다. 격려, FEMA의 위험 MAP 프로그램은 이제 홍수지도를 더 자주 업데이트하기 위해 위성 파생 된 강수 데이터를 통합합니다.

기후 변화는 비 역률을 나타냅니다. 기후 변화 (IPCC)의 Intergovernmental 패널은 100 년 이벤트의 빈도가 많은 지역에서 증가 할 것이라고 6th 평가 보고서 프로젝트. 인프라 플래너는 따라서 역사적인 기록을 넘어야합니다. 일반적인 접근법은 [[FLT :0]] climate-adjusted IDF 곡선[[FLT :1]], 기후 모델 투사에 의한 역사적인 인텐스를 스케일링하는 것입니다. 미국. 4th GCM의 국가 평가는 기후 변화에 대한 일반적인 영향을 최소화하는 것이 좋습니다. GCM의 기후 변화는 기후 변화에 대한 자세한 내용은 GCM의 GCM을 참조하십시오.

미래 지향

IoT 및 AI를 통한 하이퍼컬렉션

기후 센서의 비용은 극적으로 떨어지는 것입니다. 낮은 비용 게이지, 토양 습기 센서 및 수위 모니터의 네트워크는 이제 로컬 AI 모델을 실행하는 가장자리 컴퓨팅 노드로 공급합니다. 이 디지털 트윈디지털 시스템은 실시간 응답을 시뮬레이션 할 수 있으며 예측 유지 보수 및 자동화 된 홍수 작업을 가능하게합니다.

우주 기반 예측 Radars

NASA-ISRO 합성 가늠구멍 레이다 (NISAR) 임무는 2025년 계획된, 비접촉하게 강수 runoff 모형을 개량하는 고해상도 토양 습기 자료를 제공할 것입니다. GOES-U와 같은 차세대 지질국 위성과 결합해, 무거운 강수량의 예측 리드타임은 행동 가능한 정확도를 가진 주에 일에서 주까지 확장할지도 모릅니다.

커뮤니티 기반 모니터링

CoCoRaHS와 같은 시민 과학 프로그램은 이미 수천 개의 일상적인 비 게이지 관측을 기여합니다. 품질 관리 알고리즘을 통해 이러한 크라우드 sourced 데이터를 통합하여 스페인 공식 네트워크를 보완 할 수 있으며 특히 개발 국가에서. Sub-Saharan Africa의 프로젝트는 지역 사회 데이터가 포함될 때 홍수 예측 기술에 30 %의 개선을 보였습니다.