Forscher der University of Dundee, Großbritannien, bringen Twitter, Citizen Science und KI-Techniken zusammen ein Frühwarnsystem entwickeln für Hochwasser gefährdete Gemeinden.

Die Studie wurde von geführt Dr. Roger Wang, Dozent für Strömungsmechanik im Bauwesen an der Universität von Dundee.

Die Forschung ist veröffentlicht in der Zeitschrift Computer & Geowissenschaften.

Steigende Meeresspiegel

Steigende Meeresspiegel stellen eine sehr realistische Bedrohung für amerikanische Städte dar. Obwohl 2018 noch nicht einmal einen Monat alt ist, wurden die amerikanischen Großstädte New York, Boston und Santa Barbara von großen Überschwemmungen heimgesucht, was zu einer Zunahme der Zahl der Todesopfer und der Schadenskosten führte.

In 2017 allein, 10 der 16 großen Naturkatastrophen beteiligt Überschwemmungen, was zu Schäden von $ 266.5 Milliarden, nach der Nationales Zentrum für Umweltinformationen. Nach großen Hurrikanen wie den Hurricanes Harvey und Maria sind die Städte immer noch von wiederkehrenden Überschwemmungen betroffen.

"Der Meeresspiegel ist in den letzten zehn Jahren um durchschnittlich 3.4 mm pro Jahr gestiegen", sagte Wang in einem Aussage. "Die Extreme von heute werden der Durchschnitt der Zukunft sein, daher müssen Küstenstädte und -länder Maßnahmen ergreifen, um ihr Land zu schützen."

Das Problem

Um ein präzises, hyperauflösendes städtisches Überschwemmungsmodell zu entwickeln, muss ein Datensatz von guter Qualität vorhanden sein, um das Modell zu validieren und zu unterstützen.

"Eine Schlüsselaufgabe ist es, das Modell überzeugend zu validieren, andernfalls bedeutet es, die Modellergebnisse und den Datenbestand der Grundwahrheit zu vergleichen, um die Zuverlässigkeit des Modells zu beweisen “, sagte Wang.  

Städtische Überschwemmungen sind zweifellos eine große nationale Bedrohung. Es ist jedoch nicht nur schwierig, das Problem aufgrund von Komplexitäten bei der Datensammlung und -verarbeitung zu überwachen, sondern auch der aktuelle Datensatz ist entweder sehr unzugänglich oder ungenau.

Laut Wang gibt es drei Standardquellen für Flutdatensätze: ein entfernter Satellitensensor, ein lokales Sensornetzwerk sowie Zeugenaussagen und Versicherungsberichte von Regierungen. Sie alle haben jedoch ihre Nachteile.

Erstens ist ein entfernter Satellitensensor zu teuer für den Zugriff und hat eine schlechte Auflösung oder eine niedrige Abtastfrequenz. Zweitens ist ein lokales Sensornetzwerk zu teuer, um es zu installieren und zu warten. Drittens ist die beliebteste Quelle von Zeugenbefragungen kostspielig, ungenau, unvollständig und leidet häufig unter Verzögerungen.

"Ich habe 3 Monate verbracht, war aber überrascht, dass es keinen Datensatz mit guter Qualität gibt", sagte Wang. „Ich war gezwungen, aus der 'Box' heraus zu denken. "

Die Lösung

Das Team dachte an Social Media-Netzwerke wie Twitter und Crowdsourcing-Apps und darüber nach, wie ihre Benutzer Hochwasser in Echtzeit kommentieren. Mithilfe von KI-Techniken extrahierte das Team Daten aus diesen sozialen Netzwerken, in denen Ersthelfer häufig um Hilfe bitten und aufzeichnen, was passiert.

"Ein Tweet kann sehr informativ sein", sagte Wang. „Es kann Informationen zum Hochwasserort, zur Wassertiefe, zum Hochwassertrend, zu menschlichen Gefühlen, die für Evakuierungsentscheidungen von Bedeutung sind, und zur Schadensabschätzung enthalten. Noch wichtiger ist, dass Daten mit hoher Auflösung bereitgestellt werden können. Die Genauigkeit kann in Metern oder Paketen angegeben werden, ein Tweet, in dem Straßenname und Hausnummer angegeben sind. “

Fallstudie: Sunny Day Flooding

Das Team führte eine Fallstudie durch, in der Twitter, Citizen Science und KI-Techniken zur Überwachung von Überschwemmungen am sonnigen Tag, einer Art von Überschwemmungen, die aufgrund des hohen Meeresspiegels ohne extreme Wetterereignisse auftreten, eingesetzt wurden.

Erstens hat das Team Twitter-Daten über einen Zeitraum von einem Monat in 2015 gestreamt und gefiltert. Sie verwendeten Stichwörter wie „Flut“, „Überschwemmung“, „Damm“, „Deich“ und „Deich“. In dieser Zeit wurden mehr als 7,500-Tweets analysiert. Anschließend nutzte das Team die Verarbeitung natürlicher Sprache, um mehr über Schweregrad, Standort und andere relevante Informationen zu erfahren.

Zweitens verwendeten sie KI-Techniken auf die Daten, die von MyCoast gesammelt wurden, einer Crowdsourcing-App, die über 6,000-Flood-Fotos enthält, die alle von ihren Nutzern aufgenommen und gemeldet werden. Mithilfe von KI-Techniken konnte das Team automatisch Überflutungsszenen aus den von Benutzern geposteten Bildern erkennen.

Schließlich haben sie sowohl die von Twitter als auch von MyCoast extrahierten Informationen anhand von tatsächlichen Niederschlagsdaten und Road-Closure-Berichten validiert, um die Qualität der Datensätze zu prüfen.

Sie fanden heraus, dass Tweets mit den Niederschlagsmengen korrelierten und dass MyCoast-Daten mit den Road-Closure-Berichten korrelierten. Sie glauben, dass Social-Media-Netzwerke wie Twitter Informationen liefern, die für eine groß angelegte, kostengünstige Überwachung relevant sind. Crowdsourcing-Daten liefern jedoch detaillierte und kundenspezifische Informationen.

"Wir haben die Genauigkeit von 70% erreicht und verwenden die Tausenden von Bildern, die auf MyCoast verfügbar sind, um dies weiter zu verbessern", sagte Wang in einem Aussage.

Das Team glaubt nicht, dass dieses neue Modell die Standardpraktiken loswerden sollte, sondern sie vorantreiben sollte.

"Wir haben festgestellt, dass diese auf großen Datenmengen basierenden Ansätze zur Überwachung von Überschwemmungen auf jeden Fall die vorhandenen Mittel zur Datenerfassung ergänzen und vielversprechende Möglichkeiten für eine künftige Verbesserung von Überwachung und Warnungen aufzeigen können", sagte Wang in einem Aussage.

Derzeit kann das Modell nur die Entwicklung von Hochwasserereignissen überwachen.

Struktur & Organisation

Das Team arbeitet derzeit mit anderen Unternehmen zusammen, um ein mathematisches Modell zu entwickeln, das den neuen Trend der Flut vorhersagen und die Gemeinden entsprechend warnen kann.

"Wenn wir unsere Big Data- und KI-Plattform mit dem mathematischen Modell verbinden, können wir das mathematische Modell, das als" Datenassimilation "bezeichnet wird, in Echtzeit korrigieren", sagte Wang. „Infolgedessen wird das mathematische Modell genauer und wird ständig aktualisiert, um den neuen Trend der Flut widerzuspiegeln. Wir glauben, dass das neue Modell in Abhängigkeit von der geografischen Lage und dem Wetter zukünftige Hochwassertage vor dem eigentlichen Ereignis vorhersagen kann. “