Susanne Nielsen shvata da je verovatno samo pitanje vremena kada će letnjikovac njenih roditelja u Slettestrandu u Severnom Jutlandu biti pogođen poplavama. Jer ispod kuće, koja se nalazi na samo 400 metara od zaliva Jamerbugt u istoimenoj opštini, nivo podzemnih voda je sada često toliko visok da postoji opasnost da velike količine kiše neće moći da prodre, ali radije uđi u kuću.
„Zabrinuti smo ako budemo imali mnogo kiše“, priznaje ona.
Da bi stanovnicima i donosiocima odluka pružili najbolju šansu da se zaštite od poplava u ovoj oblasti, istraživači iz DTU-a su pomogli opštini Jammerbugt da razvije alat za rano upozoravanje. Može da obezbedi 48 sati obaveštenja o lokalnim poplavama duž reka, potoka i priobalnih područja u opštini. To je prvi te vrste koji daje lokalna upozorenja o poplavama.
„To će nam dati vremena da reagujemo ako bude potrebno, tako da će to biti od velike pomoći“, kaže Suzana Nilsen iz svog doma u Alborgu — oko 40 kilometara udaljenog od vikendice o kojoj se brine za svoje roditelje, koji žive u Norveškoj.
Alat — takozvani „mokri indeks“ — zasnovan je na veštačkoj inteligenciji obučenoj na slobodno dostupnim podacima o dinamici koja utiče na rizik od poplava. Podaci potiču iz satelitskih snimaka i vremenskih prognoza, kao i informacija o nivou zemlje i mora i topografiji pejzaža.
Međutim, kretanje i akumulaciju vode u otvorenim predelima je teško izračunati jer mnogi parametri utiču na to kako se voda kreće i akumulira. Da bi se rešila ova složenost, veštačka inteligencija je korišćena u razvoju modela iza vlažnog indeksa.
Koristeći specifične principe dizajna u konstrukciji modela i napajajući ga pažljivo odabranim podacima, istraživači su ugradili razumevanje kretanja vode, distribucije i interakcije sa okolnim okruženjem, prema Rolandu Loveu. On je jedan od programera vlažnog indeksa i vanredni profesor na DTU specijalizovan za ponašanje vode.
Opština Jammerbugt testirala je alat 2023. Rezultati pokazuju bolja predviđanja od očekivanih za vlažne prolećne mesece. Međutim, tokom letnjeg perioda, kada je Dansku skoro pogodila suša, alat je pogrešno predvideo poplave u istim oblastima koje su bile poplavljene tokom kišnog proleća.
Netačna predviđanja su bila zbog toga što je alat obučen sa premalo podataka iz letnjih meseci. To je zato što sateliti ne mogu da registruju vodu ispod vegetacije, a s obzirom na to da su polja tokom leta prekrivena biljkama, podaci u to doba godine su manji.
„Rano upozorenje mora da bude relativno tačno da bi građani verovali sistemu. Zbog toga smo odlučili da uradimo probni rad, gde su ga samo odabrani građani redovno proveravali — i gde smo mi kao opština imali dronove u vazduhu da bismo potvrdili predviđanja “, objašnjava menadžer projekta Heidi Egeberg Johansen iz opštine Jammerbugt.
Ipak, ona naglašava da je sveukupno iskustvo da su projektni partneri kreirali alat sa velikim potencijalom. Zbog toga opština traži sredstva za preobuku i eventualno prilagođavanje modela, koji će biti van mreže dok se taj posao ne obavi, kaže Hajdi Egeberg Johansen.
Precizni proračuni su presudni—ne samo kada građani i hitne službe moraju da pripreme cevi za vodu i vreće sa peskom, već i kada, na primer, opštine treba da odluče kako najbolje da prošire svoje sisteme za odvodnjavanje kako bi se nosili sa vlažnijom klimom budućnosti. Tradicionalne simulacije mogu lako da proizvedu čvrste proračune sposobnosti sistema da preusmere vodu pod različitim scenarijima—ali prema Rolandu Levu, potrebno im je večno da se završe.
„U praksi, to znači da svaki put kada planeri treba da nešto analiziraju, moraju da angažuju konsultante koji nestanu u kutiji na dva meseca pre nego što se vrate sa rezultatima. A to je jednostavno previše nezgodno“, objašnjava on.
Da bi skratili vreme računanja uz održavanje fizičke tačnosti, istraživači se oslanjaju na naučno mašinsko učenje, granu veštačke inteligencije koja kombinuje dva različita pristupa.
Jedno je mašinsko učenje, gde računar otkriva kako da analizira veliku količinu podataka i pravi predviđanja bez teorijskog razumevanja fenomena koje analizira. Filter za neželjenu poštu u vašoj e-pošti ili funkcija prepoznavanja lica na vašem telefonu su primeri mašinskog učenja.
Drugi pristup je naučno računarstvo, koje može, na primer, da simulira fizičke procese, što je u ovom slučaju kako se voda kreće kroz dati prostor pod uticajem više faktora.
„Prednost kombinovanja ova dva pristupa je u tome što dobijate modele mašinskog učenja koji imaju ugrađeno razumevanje o tome kako se očekuje da se sistem ponaša. Ovo pomaže da se osigura da modeli generišu brza predviđanja koja imaju fizički smisla i nisu sve preko mesta, što može biti problem sa modelima mašinskog učenja“, kaže Roland Love.
U projektu gde je profesor, zajedno sa startapom VaterZerv i vanrednim profesorom na DTU Allan Peter Engsig-Karup, koristio naučno mašinsko učenje da predvide kretanje vode kroz sisteme za odvodnjavanje, uspeli su da izvrše proračune 100 puta brže nego sa tradicionalnim modelima.
„Dakle, umesto da angažujete projekat, možete da okupite relevantne donosioce odluka u prostoriji kako biste pokrenuli modele uživo i dobili rezultate manje-više odmah. Zatim možete da sednete i isprobate različite opcije kako biste pronašli najbolje rešenje za datoj situaciji“, objašnjava on.
