Susanne Nielsen indser, at det formentlig kun er et spørgsmål om tid, før hendes forældres sommerhus ved Slettestrand i Nordjylland bliver ramt af oversvømmelser. For under huset, som ligger blot 400 meter fra Jammerbugt-bugten i kommunen af samme navn, er grundvandsstanden nu ofte så høj, at der er risiko for, at store mængder regn ikke kan sive væk, men gå hellere ind i huset.
"Det er en bekymring, vi har, hvis vi får meget regn," indrømmer hun.
For at give beboere og beslutningstagere den bedste chance for at beskytte sig mod oversvømmelser i området, har forskere fra DTU hjulpet Jammerbugt Kommune med at udvikle et tidligt varslingsværktøj. Det kan give 48 timers varsel om lokale oversvømmelser langs floder, vandløb og kystområder i kommunen. Det er det første af sin slags, der giver lokale advarsler om oversvømmelser.
"Det vil give os tid til at reagere, hvis det er nødvendigt, så det vil være en kæmpe hjælp," siger Susanne Nielsen fra sit hjem i Aalborg – omkring 40 kilometer væk fra sommerhuset, som hun passer til sine forældre, der bor i Norge.
Værktøjet - et såkaldt "vådt indeks" - er baseret på kunstig intelligens trænet på frit tilgængelige data om dynamikker, der påvirker risikoen for oversvømmelse. Data kommer fra satellitbilleder og vejrudsigter samt information om jord- og havvandsniveauer og landskabets topografi.
Vandets bevægelse og ophobning i åbne landskaber er dog svær at beregne, fordi mange parametre påvirker, hvordan vand bevæger sig og akkumuleres. For at håndtere denne kompleksitet blev kunstig intelligens brugt i udviklingen af modellen bag det våde indeks.
Ved at bruge specifikke designprincipper i konstruktionen af modellen og fodre den med nøje udvalgte data, har forskerne indarbejdet en forståelse af vandets bevægelse, fordeling og interaktion med det omgivende miljø, ifølge Roland Löwe. Han er en af udviklerne af vådindekset og lektor på DTU med speciale i, hvordan vand opfører sig.
Jammerbugt Kommune testede værktøjet i 2023. Resultaterne viser bedre end forventet forudsigelser for de våde forårsmåneder. Men i sommerperioden, hvor Danmark var næsten tørkeramt, forudså værktøjet fejlagtigt oversvømmelser i de samme områder, som var blevet oversvømmet i det regnfulde forår.
De forkerte forudsigelser skyldtes, at værktøjet blev trænet med for lidt data fra sommermånederne. Dette skyldes, at satellitter ikke kan registrere vand under vegetation, og da marker er dækket af planter om sommeren, er datasættet på det tidspunkt af året mindre.
"En tidlig advarsel skal være forholdsvis præcis, for at borgerne kan stole på systemet. Derfor valgte vi at lave en prøvekørsel, hvor kun udvalgte borgere har tjekket det løbende — og hvor vi som kommune havde droner i luften for at validere forudsigelser ," forklarer projektleder Heidi Egeberg Johansen fra Jammerbugt Kommune.
Hun understreger dog, at den samlede oplevelse er, at projektpartnerne har skabt et værktøj med et stort potentiale. Derfor søger kommunen midler til at efteruddanne og eventuelt justere modellen, som vil være offline, indtil det arbejde har fundet sted, siger Heidi Egeberg Johansen.
Præcise beregninger er afgørende – ikke kun når borgere og beredskab skal have klargjort vandrør og sandsække, men også når for eksempel kommuner skal beslutte, hvordan de bedst kan udvide deres afløbssystemer til at håndtere fremtidens vådere klima. Traditionelle simuleringer kan nemt producere bundsolide beregninger af systemernes evne til at aflede vand under forskellige scenarier – men ifølge Roland Löwe tager de evigheder at gennemføre.
"I praksis betyder det, at hver gang planlæggere skal analysere noget, skal de ansætte konsulenter, som forsvinder ind i en boks i to måneder, før de kan komme tilbage med resultater. Og det er bare for ubelejligt," forklarer han.
For at forkorte beregningstiden og samtidig bevare den fysiske nøjagtighed, stoler forskerne på videnskabelig maskinlæring, en gren af kunstig intelligens, der kombinerer to forskellige tilgange.
Den ene er machine learning, hvor en computer finder ud af at analysere en stor mængde data og foretager forudsigelser uden at have en teoretisk forståelse af de fænomener, den analyserer. Spamfilteret i din e-mail eller ansigtsgenkendelsesfunktionen på din telefon er eksempler på maskinlæring.
Den anden tilgang er scientific computing, som for eksempel kan simulere fysiske processer, som i dette tilfælde er, hvordan vand bevæger sig gennem et givet rum under indflydelse af flere faktorer.
"Fordelen ved at kombinere de to tilgange er, at man får maskinlæringsmodeller, der har en indbygget forståelse af, hvordan systemet forventes at opføre sig. Det er med til at sikre, at modellerne genererer hurtige forudsigelser, der giver mening fysisk og ikke er alle. over stedet, hvilket kan være et problem med maskinlæringsmodeller," siger Roland Löwe.
I et projekt, hvor professoren sammen med startup WaterZerv og lektor ved DTU Allan Peter Engsig-Karup brugte videnskabelig maskinlæring til at forudsige vandets bevægelse gennem afløbssystemer, formåede de at udføre beregninger 100 gange hurtigere end med traditionelle modeller.
"Så i stedet for at outsource et projekt, kan du samle de relevante beslutningstagere i et lokale for at køre modellerne live og få resultaterne mere eller mindre med det samme. Så kan du sætte dig ned og afprøve forskellige muligheder for at finde den bedste løsning til en givet situation," forklarer han.
Leveret af Danmarks Tekniske Universitet
Sidste artikelKan Fukushimas radioaktive vand udgøre en varig trussel mod mennesker og miljø?
Næste artikelSynkende amerikanske byer mere udsat for stigende hav:Undersøgelse