Intelligente CCTV-Systeme, die darauf ausgelegt sind, Verstopfungen in städtischen Wasserstraßen zu erkennen, könnten ein wichtiges zukünftiges Instrument im Hochwasserschutz werden. neue Forschung veröffentlicht am 3. Oktober in der Zeitschrift für Hochwasserrisikomanagement gefunden hat.
Forscher der University of Bath haben gezeigt, dass ihre KI-gestützte Erkennungssoftware „AI on The River“, die darauf trainiert ist, natürliche Trümmer, Abfälle oder in Durchlässen montierte Müllsiebe, die Müll blockieren, genau zu erkennen, in bestehende CCTV-Systeme integriert werden kann, um eine frühzeitige Erkennung zu ermöglichen Warnung vor drohenden Überschwemmungen.
Durchlässe, von denen es im Vereinigten Königreich mehr als eine Million gibt und die sich in fast jeder Stadt oder bebauten Gegend befinden, ermöglichen das Fließen von Bächen und Flüssen unter Straßen, Bahndämmen und Wohnsiedlungen und sind somit ein wichtiger, aber verborgener Teil der Wasserstraßen und Infrastruktur. Müllsiebe, in der Regel eine Reihe von Stangen, werden an den Durchlasseingängen montiert, um das Eindringen von Schmutz zu verhindern.
Wenn ein Müllsieb eines Durchlasses verstopft ist, kann es schnell zu Überschwemmungen kommen. Wenn der Wasserfluss in einen Durchlass eingeschränkt ist, kann es sich ansammeln und ansammeln, was zu Risiken für die strukturelle Integrität der Wasserstraße und der örtlichen Umwelt führt.
Hilfe beim Hochwasserschutz weltweit
Der vom Team entwickelte maschinelle Lernprozess erregt bereits die Aufmerksamkeit von Hochwasserschutzorganisationen in Ländern wie Südafrika, wo Überwachungsgeräte verfügbar sind, aber Daten, die zum Trainieren einer KI für die gleiche Aufgabe verwendet werden könnten, rar sind oder nicht gesammelt werden.
Dr. Andrew Barnes, Dozent am Fachbereich Informatik in Bath und Mitglied des Zentrums für Klimaanpassung und Umweltforschung, und das Team, das die Software entwickelt hat, die dem Frühwarnsystem zugrunde liegt. Er sagte: „Wir konnten ein effizientes Modell entwickeln, das Blockaden erfassen und identifizieren kann, bevor sie zu einem Problem werden – es ist proaktiv, d. h. es wartet nicht auf eine Überschwemmung, bevor es Alarm schlägt.“
„Wir haben das System so entwickelt, dass es flexibel und skalierbar ist – es könnte fast überall eingesetzt werden, was ihm ein enormes Potenzial in Ländern bietet, in denen Überschwemmungen ein Problem darstellen, in denen die Ressourcen für die Entwicklung ähnlicher Tools vor Ort jedoch möglicherweise knapp sind.“
Blockaden mit hoher Genauigkeit erkennen
Das Team konzentrierte sich auf einen Durchlassstandort in Cardiff und nutzte maschinelles Lernen, um ein Kamerasystem darauf zu trainieren, potenzielle Hindernisse automatisch zu erkennen. Dadurch war es in der Lage, wahrscheinliche Verstopfungen mit einer Genauigkeit von nahezu 90 % zu erkennen. In den meisten Fällen werden Durchlässe im Vereinigten Königreich manuell über Videoüberwachung von Mitarbeitern der örtlichen Behörden überwacht, die eine Reihe von Bildschirmen beobachten.
Der Einsatz von KI und maschinellem Lernen zur Schaffung von Frühwarnsystemen würde es den lokalen Behörden, die für die Aufrechterhaltung des Wasserflusses verantwortlich sind, ermöglichen, Ressourcen dort zu konzentrieren, wo sie benötigt werden, und schnell und gezielt auf mögliche Blockaden zu reagieren.
Der proaktive Charakter des Systems bietet den Einsatzteams auch große Sicherheitsvorteile, da sie sofort vor Ort sein können, anstatt unter gefährlichen Überschwemmungsbedingungen arbeiten zu müssen.
Dr. Thomas Kjeldsen, Dozent an der Fakultät für Architektur und Bauingenieurwesen in Bath und Mitglied des Center for Regenerative Design and Engineering for a Net Positive World (RENEW), fügte hinzu: „Der Klimawandel führt dazu, dass die Überschwemmungsgefahr überall wächst.“ Welt.
„Diese Arbeit eröffnet das Potenzial für die Entwicklung neuer, leichter und kosteneffizienter Hochwassermanagementsysteme in städtischen Gebieten und ermöglicht es Behörden auf der ganzen Welt, sich an das sich ändernde Klima anzupassen. Diese Studie ist ein erster Schritt in Richtung einer nachhaltigen Lösung für die Hochwasservorhersage.“ und es hat eine Vielzahl von Gebieten für die Erkundung und Ausbeutung eröffnet.“
Weitere Informationen:
Rory Cornelius Smith et al., CCTV-bildbasierte Klassifizierung blockierter Müllschirme, Zeitschrift für Hochwasserrisikomanagement (2024). DOI: 10.1111/jfr3.13038