Giriş: Kentsel Flash Taşlarının Büyüsü

Yoğun yağışlar tarafından tetiklenen şehir, dünya çapında metropol alanlarıyla karşı karşıya olan en pahalı ve yıkıcı doğal tehlikeler arasındadır. Mumbai'den New York'a kadar, modern kentsel su dökme tekniklerini tanımlayan aşırı yağışlı sistemler, doğrudan gözlemsel verilerden öğrenerek bir paradigma değişikliği sunuyor, özellikle de geleneksel hidrolojik modeller, karmaşık yüzeylerin oyun oynaması için mücadele ederken, çeşitli arazilerdeki bu türdeki yöntemlerin nasıl hesaplanmış olduğunu inceler.

Rainfall-Indüklenen Urban lojis

Kentsel Flash Taşınıyor

Kentsel flaş sele, yağış yoğunluğu toprak ve fırtına su altyapısının genişliğini aşıyorken meydana gelir. Doğal sularda, toprağa inen yağmurlar, bitki örtüsüne kadar yavaş yavaş yavaşlar ve asfalt, beton ve çatılar gibi yüzeylerde, toprak alanının% 30'unu büyük ölçüde azaltır ve 2050'de küresel nüfusun% 68'ini hızla artırır.

Faktörler: Altyapı ve İklim Değişikliği

Birçok kentsel drenaj sistemleri, artık mevcut veya gelecekteki iklim koşullarını yansıtmayan tarihsel yağış yoğunluk-durma-freze eğrileri kullanılarak tasarlanmıştır.A 2022'de eğitim, yerel konveksiyonda yoğunlaşan fiziksel bir uyum sağlamanın gerektirdiği gibi, şehirler, iklim değişikliğinin onlarla başa çıkmalarının ve sistemlerin artan orandaki aşırı yağış olaylarının sıklığının artacağını buldular.

Makine Öğrenmesinin Rolü · Prediction

Regresyondan Deep Learning: A Brief Primer

Makine öğrenimi, fiziksel denklemleri takip etmek için açıkça programlanmamış verilerin modellerini öğrenen bir algoritmayı kapsar.ETHFLT:0)Dönetici öğrenme) ve DÖRTÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜSÜSÜye Olmayanlar için en yaygın yaklaşımını oluşturur.[DÜye Olmayanlar için)[DÜye Olmayanlar için (DÜye Olmayanlar)

Data Sources: ML Modelleri için Yakıt

Doğru tahminler yüksek kaliteli, yüksek çözünürlüklü verilere bağlıdır. Tipik giriş özelliği şunları içerir:

  • [FONT:0)Öyleçme verileri:[DÜDÜDÜSTRİYESİ:0)[DÜye Olmayanlar İçin Tıklayınız.[DÜye Olmayanlar İçin Tıklayınız.)
  • [FONT=0)Topography ve Hidroloji: [Dönetici: Dijital yükseklik modelleri (DEM) akış birikimi, eğim ve depresyon depolamasını hesaplamak için 1-10 m çözünürlükte. LiDAR-derived DEM'ler kentsel mikro ölçekli modelleme için gerekli olan hassastır.
  • [FONT:0]Land kullanımı ve arazi kapağı: Impervious yüzey yüzdesi, yeşil alan, toprak türü ve drenaj ağ yoğunluğu. Zoning ve parcel veriler yüksek yapısal kırılganlıklarla alanları gösterebilir.
  • [FONT:0)Infra structure: [[Dönetici: [Dönetici] Pipe network haritaları, fırtına suyu enlet konumları, pompa istasyonu durumu ve bakım kayıtları. Gerçek zamanlı sensör verileri su seviyesindeki monitörlerden ve akış metreler dinamik geri bildirimler ekler.
  • [FONT:0]Historical sel gözlemler:[Döneticiler:[Döneticiler: 1) Crowdsourced raporları, sigorta iddiaları, 311 hizmet talepleri ve inundasyon boyutlarının uydu görüntüsü. Bu zemin-gerçek etiketler genellikle spekül ve önyargılı, dikkatli bir şekilde ele geçirme gerektiren.

Özel Mühendislik ve Model Geliştirme

Özel mühendislik, ham verileri tahmin edici sinyallere dönüştüren kritik bir adımdır. Ortak mühendis özellikleri şunları içerir:

  • [FONT:0)Rainfall yoğunluk eşi: 5, 15 ve 60 dakikalık pencerelerin üzerinde maksimum yoğunluk.
  • [FONT:0)Antecedent yağış indeksi (API):), toprak nemi koşullarını yansıtan önceki yağışların ağırlıkları.
  • [FONT:0) Topografik ıslaklık indeksi (TWI): ), akış birikimi ve eğime dayanan sürekli devlet göstergesi.
  • [FONT:0]En yakın fırtına su çıkışı veya akışa yönelik olarak: drenaj altyapısına yönelik Proximity kapasiteye bağlı olarak risk artırabilir veya azaltılabilir.
  • [FONT:0]Urban morfoloji göstergeleri: Street genişliği, yoğunluk inşa etmek ve bu etkinin işlendiği yön.

Modeller genellikle tarihsel fırtına olayları üzerinde eğitilmiştir, hedef değişkeni, ikili bir sınıflandırma (flood / no sel) verilen bir ağ hücresi veya node veya veya maksimum su derinliği gibi sürekli değişken. Spatial geçiş, çünkü su verileri güçlü bir uzaysal otokorelasyon sergileyebilir.

Makine Öğrenme Teknikleri Türleri Kullanılır

Süpervize Öğrenme: Tarihsel Harita-Powered Predictions

Süpervizit öğrenme yöntemleri, giriş özelliklerinden sel olaylara doğrudan bir harita inşa ediyor.ETHFLT:0)Logistic regresyon[[Dönetici: 1 ), basit bir temel alan sağlar, ancak benzer ağaç yöntemleri pratikte hakimdir. [DÜDÜDÜ:2).Random orman[DÜDÜDÜDÜDÜDÜDÜye Olmayanlar, Kaggle yarışmaları ve özellikleri nedeniyle alınan yüzlerce karar ağacı, kentsel dönüşümleri azaltmak ve inşa etmek için kullanılan önemli sıralamaları.

Denetimsiz Öğrenme: Gizli Risk Desenlerini Açıklayın

Denetimsiz teknikler, tarihsel sel etiketler zonasyon haritasının bulunduğu gibi alanları tanımlayabilir veya mevcut değildir.ETHFLT:0)K-means kümeleme), düşük riskli ve yüksek riskli bölgeler arasındaki geçişlere dayanan gruplar, planlamaya izin verir.

Derin Öğrenme: Capturing Spatiotemporal Kompleksi

Derin öğrenme mimarlıkları, hem uzaysal hem de zamansal boyutlardaki sel süreçlerin entegrasyonu için özel bir söz göstermiştir.ETHD:0)Konvolutional LSTM (ConvLSTM)) ağları, LSTM'lerin zaman aralığı ile uzaysal özelliklerini birleştirir.A 2023 çalışması Seul, Güney Kore, radarlı modeller ve DEM verilerinin sıralarına bağlı olarak, yoğun bir şekilde inşa edilen bir bölgeden gelen diskolar arasındaki bir yaklaşımla bir araya getirir.

Mekanik Öğrenmenin Faydaları sel Pazar Prediction

Geliştirilmiş doğruluk ve Spasal Karar

Makine öğrenme modelleri, en savunmasız olan 1-10 metrenin uzaysal kararlarında çalışabiliyor, 1100 metreden fazla incelikli ağların genellikle şehir ölçekli hidrolojik modellerde kullanıldığı görülüyor. Bu iyi karar belirli sokak segmentlerinin tespitine olanak sağlar, Jakarta'da yapılan bir karşılaştırmalı çalışma, rastgele bir orman modelinin yüzde 38 oranındaki tahminlerin karek hatasının azaldığını gösteriyor.

Gerçek Zaman ve Yakın Zaman Tahminleri

Eğitimli bir kez, çoğu ML modelleri milisaniyelerde tahminler uygular, gerçek zamanlı erken uyarı sistemlerine entegrasyon sağlar. Ulusal Hava Servisi'nin şanlı Yerleri ve Simated Hydrographs (FLASH) sistemi, 1km çözünürlüğünü kıta Birleşik Devletleri'nde ayarlamayı öğrenir, Londra'nın Yükselen Londra programı, yağmur radarı radarı şimdiye kadar hızlanan radarları ve akış ölçümleme ekiplerine kadar telemetri kullanır.

Maliyet Verimliliği ve Scalability

Tam bir fizik tabanlı kentsel hidrolik modeli geliştirmek yüzlerce binlerce dolara mal olabilir ve uzman Hidrologlar tarafından arazi kullanımı ve iklim koşullarını manuel olarak yeniden ayarlamaları gerekir.Bu ölçeklenebilirlik özellikle pahalıya mal olan küçük belediyeler için bütçeyi yoksundur.Bir kez operasyonel olarak, model yeni verilerle yeniden bir artış gösterebilir, manuel yeniden ayarlamadan arazi kullanımı ve iklim koşullarını manuel olarak değiştirmek için adaptasyona olanak sağlar.

Kentsel Planlama Desteği için Veri-Driven Kararı Desteği

ML modellerinden elde edilen sempabilite haritaları, demografik veriler, mülk değerleri ve kritik altyapı katmanlarının yeşil fırtınalı su altyapısında yatırımlara öncelik vermeleri, yağmur bahçeleri, permeable açıklıklar ve saklama basinleri gibi. Örneğin, bir makine öğrenimi çıktısını birkaç girişten biri olarak kullanarak blok seviyesindeki risk puanlarına öncelik veren bir makine öğrenimi planına göre kullanmaktadır.

Meydanlar ve Sınırlar

Data Quality ve Müsaitlik Durumu

“Batlıkta çöp, çöpler”, radar ve uydulardan gelen tahminleri genellikle eksik, yüksek hacimli etkinliklere karşı önyargılı veya tutarlı olmayan verilerle karşılaştırıldığında, boşlukları doldurabilir, ancak gürültü ve konumsal hataları da ortaya koyar. Rainfall tahminleri radar ve uydulardan belirsizdir, özellikle de karmaşık arazilerde veya kapsamakta olan küçük veri kümesleri dengesiz sınıflara karşı hassastır.

Model Yorumability and Trust

Şehir planlayıcıları ve acil durum yöneticileri genellikle, SHAP değerleri, LIME ve kısmi bağımlılık arsaları gibi kararları haklı çıkarmak için şeffaf açıklamalar gerektirir.Sürücüklerin ve acil durum yöneticileri gibi 2024 örüntüyü tespit etmek zor olabilir.Açıkçası AI (XAI) - SHAP değerleri, LIME ve kısmi bağımlılık arsaları - son kullanıcıya uygun bir araştırma için tasarlanmış bir araştırma var.

Hiper Erişilebilirlik

Bir şehirde eğitilmiş bir model, bina malzemeleri, drenaj sistemi tasarımları ve toprak filtreleme oranlarındaki farklar nedeniyle başka bir yere transfer edilemez. Bu dışsal geçerliliğin eksikliği, her kentsel alanın genellikle kendi eğitim veri kümesi ve kalibrasyonunu gerektirdiği anlamına gelir, tek bir evrensel model dağıtma yeteneği sınırlaması ve transfer öğrenme tekniklerinin araştırılmasıdır.

Gerçek Zaman Operasyonları ile entegrasyon

Operasyonel bir ortamda ML modelinin işe alınması sağlam altyapı gerektirir: güvenilir veri beslemeleri, reddant hesaplama kaynakları, başarısız mekanizmalar ve personel modelleme ve modelleme konusunda eğitilmiştir. Birçok şehir bu tür sistemleri korumak için teknik kapasiteye sahip değildir.

Future: Smarter'a, Daha Fazla Resilient Şehirlere Doğru

Dijital Twins ve IoT Networks ile entegrasyon

Kentsel sel tahmindeki bir sonraki sınır, yeni yağmur ölçüm ve su seviyesi verilerinin entegrasyonudur ve Avrupa Birliği'nin “HAY” ile gerçek zamanlı sensör verilerini birleştiren fiziksel altyapının sanal kopyaları ile çalışır.[BİLMİ 1 ).[Dönetici)[Dönetici 1+) projesi, Viyana Nehri'nde ve Budapeşte'de pilot şehir düğümleri için böyle bir platform inşa edebilir.

Hybrid Physics-ML Modelleri

Gelişen bir araştırma organı, kayıp işlevi veya ağ mimarisi ile birlikte, verilerin doğru önyargılara ve alt-grid süreçleri ele geçirme yeteneğini kullanarak, basitleştirilmiş bir yanlış programla bir araya gelir.Bu karma modelleme veya yerel enkazlama bilgilerini öğrenir.

Data Sources'ı genişletin: Sosyal Medya ve Crowdsourcing

Tweetler, Facebook mesajları ve Waze trafik raporları, özellikle de ölçüm kapsamı olmadan, eğitim setinin gerçek zamanlı göstergeleri olarak hizmet edebilir. Doğal dil işleme (NLP) modelleri yapılandırılırken yer ve ölçeksiz metinlerden ciddiye alabilir. 2021 Avrupa selâm verilerinin çalışma, daha önce tespit edilen 500 susuz su yerlerini tespit etmek için, bu alternatif veri kaynaklarını güçlendirmek için kullanılan bir çalışma olacaktır.

İklim Değişikliği Sürekli Öğrenme ile Uyum

İklim değişikliği yağış aşırılıkları değiştiriyorken, statik sel haritalar ve modeller ortadan kayboluyor. Makine öğrenme sistemleri sürekli online öğrenme için tasarlanabilir ML modellerinin kullanımını araştırıyor, en son fırtına olaylarının istasyon dışılıkları geliştirmesini sağlamak için yeniden eğitim verebilir. Bu uyumsuzluk, geleneksel frekans analizinin önemli bir avantajıdır.

Açık Veri ve Açık Modeller aracılığıyla Demokratlara

Dünya Bankası ve Kızıl Haç gibi kuruluşlar, küresel su altında eğitim gören rastgele bir orman modeli geliştirdiler:2)Fathom Global Hazard Map) (bu, karma istatistiksel-hippilasiklik yaklaşımı) içerir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi şehirsel tahmin için gümüş bir mermi değil, ancak mevcut hidrolojik mühendislik ve risk yönetimi çerçevelerini tamamlayan dönüştürücü bir araçtır. Doğrudan verilerden öğrenerek - radar yağmur anlarından sosyal medya raporlarına kadar - ML modelleri kentsel planlayıcılar, acil durum yöneticileri ve vatandaşlara, gelecekteki hız ve uzaysal ayrıntılarda harekete geçmeye hazır olan bir yanıt verir.

Dış bağlantılar

  • [0]Doğa Haberleşmesi iklim değişikliği ve kısa vadeli yağış aşırılıkları üzerinde çalışma[Dönem: 1)
  • [0]NOAA'nın FLASH sistemi gerçek zamanlı sel tahmin için).
  • [0]Tomorrow.io hava istihbarat platformu hiperyerel hava verileri için [Döntme:0)[0]
  • [FONT=0) Global lojistik Bilinç Sistemi (GloFAS) - sel modelleme için açık veriler).