Figur 1:Sammenfattende diagram af flodvandstandsforudsigelsen AI. Kredit:Fujitsu
Fujitsu annoncerede i dag udviklingen af en teknologi, der trækker på matematiske modeller bygget med begrænsede data om nedbør og vandstande for at skabe forudsigelser om oversvømmelser for floder. Løsningen udnytter Fujitsu Human Centric AI Zinrai, en omfattende portefølje, der omfatter Fujitsus brede vifte af AI-teknologier og -teknikker, og bruger en model, der inkorporerer indsigt fra hydrologi til at producere en AI, der opnår forudsigelser med større præcision.
Den nye teknologi viser sig effektiv selv for mindre floder med begrænsede måledata eller for områder, hvor vandstandssensorer er nyinstalleret og endnu ikke har akkumuleret tilstrækkelige data. Disse forudsigelser vil tilbyde myndighederne et vigtigt værktøj til at levere hurtigere responstider og afbøde oversvømmelsesskader i tilfælde af en naturkatastrofe, herunder udsendelse af personale til berørte områder og understøttelse af passende beslutningstagning ved udstedelse af evakueringsrådgivning.
Fujitsu og Fujitsu Laboratories vil fortsætte med at arbejde for yderligere at perfektionere denne teknologi gennem et feltforsøg med lokale myndigheder i hele Japan med det formål at levere en kommerciel løsning i løbet af regnskabsåret 2019. Med udviklingen af denne løsning, Fujitsu demonstrerer, hvordan denne og andre kunstig intelligens-teknologier vil spille en vigtig rolle i at styrke dets indsats for at bekæmpe virkningerne af klimaændringer, og bidrage til at opnå større bæredygtighed i samfundet.
I de seneste år, lokale regeringer i hele Japan har kæmpet med udfordringerne med at håndtere floder, der forårsager alvorlige oversvømmelser i kølvandet på hyppige, meget lokale begivenheder med kraftig regn. Især mindre floder, der strømmer gennem byområder, oplever ofte pludselige vandstandsstigninger på grund af påvirkningen af uforudsigelige, dog kraftige regnbyger og tyfoner. År efter år, risikoen for, at betydelige oversvømmelser sker meget hurtigt, repræsenterer en sporadisk, dog stadig mere alvorlig trussel, understreger et presserende behov for forbedrede modforanstaltninger mod oversvømmelser.
Som en del af disse modforanstaltninger, vandstandsforudsigelser er blevet udført for store floder, der er udpeget som risiko for oversvømmelse. For mindre floder eller områder, hvor vandstandssensorer er blevet installeret for nylig, imidlertid, at lave nøjagtige forudsigelser har vist sig vanskeligt indtil nu på grund af mangel på tilstrækkelige vandstandsdata og de seneste observationsresultater for flowhastighed.
Figur 2:Eksempel, hvor AI forudsiger vandstandsstigninger under kraftig regn fra to dages normalperiode. Kredit:Fujitsu
For at løse dette, Fujitsu og Fujitsu Laboratories har udviklet en ny teknologi, der nøjagtigt forudsiger vandstanden selv for floder med begrænsede måledata, bemyndige katastrofeforebyggende personale til at træffe tidlige forebyggende foranstaltninger for at afbøde skader.
Fujitsu og Fujitsu Laboratories har udviklet en matematisk model, der kan finde optimale parametre, når maskinlæring bruges til at træne modellen med tidligere nedbørs- og vandstandsdata, skabe funktioner baseret på tankmodelkonceptet, som udtrykker vandudledning fra et vandløbsopland indenfor hydrologi.
Ved at bruge denne model, AI forudsiger fremtidige vandniveauer baseret på data indsamlet for at præsentere regnfalds- og vandstandsdata sammen med prognoser for de næste flere timer, der sendes til lokale regeringer af forskellige meteorologiske organisationer. Forudsigelsesmodellen kan også optimeres meget hurtigt, selv efter ændringer i flodmiljøet eller indførelse af ny infrastruktur. I tilfælde som dette, modellen kan blot genoptrænes ved hjælp af nedbørs- og vandstandsdata taget efter eventuelle ændringer.
Da et forsøg, der evaluerede nøjagtigheden af den nye model, blev udført ved at anvende denne teknologi på tidligere data fra mindre floder, der styres af en bestemt lokal regering, det blev bekræftet, at når man trænede med data fra kun én nedbør, kunne vandstandsstigninger forudsiges med ensartet nøjagtighed (figur 2).
Ud over, Fujitsu og Fujitsu Laboratories har foretaget en evaluering, der sammenligner denne teknologi med standardmetoder til forudsigelse af vandstand, der bruger sådanne data som flowhastighedsobservationer. Evalueringen, udført med bistand fra professor Akira Kawamura fra Tokyo Metropolitan University bekræftede med succes, at denne teknologi kan levere tilsvarende eller bedre nøjagtighed.
Fujitsu forventer, at denne teknologi også kan anvendes til at hjælpe med at overvåge oversvømmelser i floder uden for Japan og udfører en række forsøg med kunder med det formål at gøre den tilgængelig som en kommerciel løsning i regnskabsåret 2019. Fujitsu Laboratories arbejder på at forbedre nøjagtigheden yderligere. af denne teknologi, gør det til en del af en række diagnostiske og forudsigelige teknologier til beskyttelse af kundeaktiver, herunder faciliteter og social infrastruktur nær floder, derved bidrage til skabelsen af byer, der er modstandsdygtige over for katastrofer ved brug af digital teknologi.