De siste 10 årene har skader forårsaket av vær og naturbegivenheter kostet 27 milliarder kroner, hvor noen av disse skadene kunne forhindres med et varslingssystem og raske tiltak fra kommunene.
Flom og ovrervann er to store syndere knyttet til dette. NVE har riktignok flomvarsling, men de har det for det meste for store vassdrag.
Vi har det siste året samarbeidet med Lillestrøm kommune knyttet til elven Leira elv som ofte har utfordringer knyttet til høy vannstand og som ikke får varsling fra NVE. Ved flom må det reageres fort og riktig for at det ikke skal forårsake store materialle og menneskelige skader. Med tidlig varsling, kan Lillestrøm redusere vaktpersonell og varsle om potensielt stengte broer til sykehus og innbyggere.
Vi strømmer enorme mengder data fra sensorer, drift og kontrollsystemer (SCADA), åpne data fra fra met.no og NVE og kobler det hele sammen med #maskinlæring. Flomvarslingsløsningen er nå driftsatt for Asgeir og teamet i Lillestrøm. En fellestjeneste som byer og kommuner kan ta i bruk i både Norge og utlandet i dag. Verdien med at flere benytter samme løsning er også at man ikke start på «0», men at man kan benytte anonymiserte data og erfaringer fa de elvene hvor løsningen allerede eksisterer. Det er vinn-vinn for alle og sparer ressurser og kritisk tid.
Det siste året har vi samarbeidet med Lillestrøm kommune knyttet til Leira, som ofte har utfordringer knyttet til høyt vannstandsnivå og ikke får varsel fra NVE. Under flom må beredskapsgruppen reagere raskt og riktig slik at det ikke forårsaker store materielle skader og menneskelige tap. Med tidlig varsling kan Lillestrøm redusere sikkerhetspersonell og advare om potensielt stengte broer til sykehus og beboere.
Vi samler inn enorme mengder data fra sensorer, drift og kontrollsystemer (SCADA), åpner data fra met.no og NVE og kobler det hele til #machine-læring. Flomvarslingsløsningen er nå i drift for Asgeir og teamet på Lillestrøm. En felles tjeneste som byer og kommuner kan bruke både i Norge og utenfor akkurat nå. Verdien av en vanlig løsning er at du ikke starter fra bunnen av. Du kan bruke anonymiserte data og erfaringer fra andre elver der løsningen allerede finnes. Det er en vinn-vinn for alle og sparer ressurser og returnerer kritisk tid tilbake til første respondere.
Vi evaluerte LSTM-modeller (Long short-term memory), men fant at de manglet ytelse for akkurat dette programmet. Vi landet på å bruke et konvolusjonelt nevralt nettverk (CNN) i en resnet-stilarkitektur for å forutsi elvenivåene. Resnet betyr at modellen bare trenger å estimere endringen. For å lære opp CNN brukte vi data vi samlet inn fra november 2020 til juli 2021. Vi delte dataene for å tillate trening og testing og tok skritt for å forhindre overfitting, noe som var en innledende utfordring.
Resultatene er gode og har en gjennomsnittlig absolutt feil på 5 cm. For tiden er modellen mindre pålitelig når elven er på et konstant lavt vannstandsnivå, men dette er ikke av direkte interesse, da ingen oversvømmelse skjer på lave nivåer. Likevel, selv om det ikke er avgjørende, forbedrer vi modellen for å være nøyaktig på tvers av alle nivåer.