Kan maskinlæring forbedre advarsel om debrisflow?

Maskinlæring kunne give en ekstra times advarselstid for affaldsstrømme langs Illgraben-strømmen i Schweiz, forskere rapporterer på Seismological Society of America (SSA)'s 2021 årsmøde.

Affaldsstrømme er blandinger af vand, sediment og sten, der bevæger sig hurtigt ned ad stejle bakker, udløst af kraftig nedbør og ofte indeholdende titusindvis af kubikmeter materiale. Deres destruktive potentiale gør det vigtigt at have overvågnings- og advarselssystemer på plads for at beskytte nærliggende mennesker og infrastruktur.

I hendes oplæg på SSA, Małgorzata Chmiel fra ETH Zürich beskrev en maskinlæringstilgang til at detektere og advare mod affaldsstrømme for Illgraben-torvet, et sted i de europæiske alper, der hvert år oplever betydelige affaldsstrømme og voldsomme begivenheder.

Seismiske registreringer fra stationer beliggende i Illgraben-oplandet, fra 20 tidligere affaldsstrømme, blev brugt til at træne en algoritme til at genkende de seismiske signaler fra dannelse af affaldsstrøm, nøjagtig detektering af tidlige strømme 90 % af tiden.

Maskinlæringssystemet var i stand til at detektere alle 13 affaldsstrømme og voldsomme hændelser, der fandt sted i løbet af en tre-måneders periode i 2020. Alarmen, som systemet udløste, indtraf mellem 20 minutter og halvanden time tidligere end det estimerede ankomsttidspunkt for flowet kl. torrentens første kontroldæmning, afhængig af strømmens hastighed.

Debris flow alarmer for Illgraben torrent kommer fra geofoner ved tre kontroldæmninger og sensorer, der måler flowhøjde. Tredive kontroldæmninger blev installeret i den nederste del af kanalen efter en katastrofal begivenhed i 1961, der løb over kanalen og ødelagde en bro.

Det nuværende system begrænser affaldsstrømdetektion til en dæmning, der er placeret under torrentens øverste opland. "Imidlertid, affaldsstrømme dannes normalt i det øvre opland, ovenover tjek dam en, " forklarede Chmiel. "For at forbedre det nuværende advarselssystem, vi ville være nødt til at opdage de voldsomme begivenheder i deres indledende formningsfase, før de ankommer til dæmning 1."

Regelmæssigheden og variationen af ​​Illgraben-affaldsstrømme overbeviste forskerne om, at torrenten ville være et godt sted at teste deres maskinlæringsmodel som et alternativt advarselssystem.

"Vi troede, at størrelsen af ​​datasættet skulle være nok til at træne en maskinlæringsmodel til robust detektion. Desuden, Det, der gør maskinlæring særligt attraktivt for Illgraben, er, at detektoren kan forbedres hvert år, med data fra nye begivenheder, noget, der ikke er muligt at opnå med traditionelle tilgange, " sagde Chmiel.

Chmiel sagde, at systemet fungerer godt til at skelne voldsomme hændelser fra seismiske signaler produceret af menneskelig aktivitet, nedbør og jordskælv. Det næste skridt, hun bemærkede, vil være at undersøge, om maskinlæringsmodellen også kan skelne mellem små og større og potentielt mere skadelige affaldsstrømme.

De fleste affaldsstrømme i Illgraben aktiveres af kraftige sommerregn, selvom snesmeltning kan betinge skråningen og potentielt kan udløse nogle strømme i det sene forår eller tidlig sommer, sagde Chmiel. En stor affaldsstrøm kan true landsbyen Susten, ved siden af ​​den nederste del af torrenten, eller områdets populære vandrestier rundt om kanalen.