Susanne Nielsen erkennt, dass es wahrscheinlich nur eine Frage der Zeit ist, bis das Sommerhaus ihrer Eltern in Slettestrand in Nordjütland von Überschwemmungen betroffen ist. Denn unter dem Haus, das nur 400 Meter von der Bucht Jammerbugt in der gleichnamigen Gemeinde entfernt liegt, ist der Grundwasserspiegel mittlerweile oft so hoch, dass die Gefahr besteht, dass große Regenmengen nicht versickern können, sondern Betreten Sie lieber das Haus.
„Wir machen uns Sorgen, wenn es viel regnet“, gibt sie zu.
Um Anwohnern und Entscheidungsträgern die beste Möglichkeit zu geben, sich vor Überschwemmungen in der Region zu schützen, haben Forscher der DTU der Gemeinde Jammerbugt bei der Entwicklung eines Frühwarninstruments geholfen. Es kann 48 Stunden im Voraus über lokale Überschwemmungen entlang von Flüssen, Bächen und Küstengebieten in der Gemeinde informieren. Es ist das erste seiner Art, das lokale Hochwasserwarnungen ausgibt.
„Es gibt uns Zeit, bei Bedarf zu reagieren, es wird also eine große Hilfe sein“, sagt Susanne Nielsen aus ihrem Zuhause in Aalborg – rund 40 Kilometer entfernt von dem Sommerhaus, das sie für ihre in Norwegen lebenden Eltern betreut.
Komplexe Natur, komplexe Berechnungen
Das Tool – ein sogenannter „Wet-Index“ – basiert auf künstlicher Intelligenz, die auf frei verfügbaren Daten zu Dynamiken trainiert wird, die das Hochwasserrisiko beeinflussen. Die Daten stammen aus Satellitenbildern und Wettervorhersagen sowie aus Informationen zum Boden- und Meerwasserspiegel und zur Topographie der Landschaft.
Die Bewegung und Ansammlung von Wasser in offenen Landschaften ist jedoch schwer zu berechnen, da viele Parameter Einfluss darauf haben, wie sich Wasser bewegt und ansammelt. Um diese Komplexität zu bewältigen, wurde bei der Entwicklung des Modells hinter dem Nassindex künstliche Intelligenz eingesetzt.
Durch die Nutzung spezifischer Designprinzipien bei der Konstruktion des Modells und die Versorgung mit sorgfältig ausgewählten Daten haben die Forscher laut Roland Löwe ein Verständnis für die Bewegung, Verteilung und Interaktion des Wassers mit der Umgebung eingebracht. Er ist einer der Entwickler des Nassindex und außerordentlicher Professor an der DTU, der sich auf das Verhalten von Wasser spezialisiert hat.
Sowohl Höhen als auch Tiefen
Die Gemeinde Jammerbugt hat das Tool im Jahr 2023 getestet. Die Ergebnisse zeigen bessere als erwartete Vorhersagen für die nassen Frühlingsmonate. Während der Sommerperiode, als Dänemark fast von Dürre heimgesucht wurde, prognostizierte das Tool jedoch fälschlicherweise Überschwemmungen in denselben Gebieten, die im verregneten Frühling überschwemmt worden waren.
Die falschen Vorhersagen waren darauf zurückzuführen, dass das Tool mit zu wenigen Daten aus den Sommermonaten trainiert wurde. Dies liegt daran, dass Satelliten kein Wasser unter der Vegetation registrieren können und da die Felder im Sommer von Pflanzen bedeckt sind, ist der Datensatz zu dieser Jahreszeit kleiner.
„Eine Frühwarnung muss relativ genau sein, damit die Bürger dem System vertrauen können. Aus diesem Grund haben wir uns für einen Testlauf entschieden, bei dem nur ausgewählte Bürger sie regelmäßig überprüft haben – und bei dem wir als Gemeinde Drohnen in der Luft hatten, um Vorhersagen zu validieren.“ „, erklärt Projektmanagerin Heidi Egeberg Johansen von der Gemeinde Jammerbugt.
Sie betont jedoch, dass die Gesamterfahrung darin besteht, dass die Projektpartner ein Tool mit großem Potenzial geschaffen haben. Daher sucht die Gemeinde nach Mitteln für die Umschulung und möglicherweise Anpassung des Modells, das bis zum Abschluss dieser Arbeiten offline bleiben wird, sagt Heidi Egeberg Johansen.
Schnellere Berechnungen und Entscheidungen
Genaue Berechnungen sind von entscheidender Bedeutung – nicht nur, wenn Bürger und Rettungsdienste Wasserleitungen und Sandsäcke bereithalten müssen, sondern beispielsweise auch, wenn Kommunen entscheiden müssen, wie sie ihre Entwässerungssysteme am besten erweitern können, um dem feuchteren Klima der Zukunft gerecht zu werden. Herkömmliche Simulationen können leicht fundierte Berechnungen der Fähigkeit von Systemen zur Wasserumleitung in verschiedenen Szenarien liefern – aber laut Roland Löwe dauert es ewig, bis sie fertig sind.
„In der Praxis bedeutet das, dass Planer jedes Mal, wenn sie etwas analysieren müssen, Berater einstellen müssen, die zwei Monate lang in einer Kiste verschwinden, bevor sie mit Ergebnissen zurückkommen. Und das ist einfach zu umständlich“, erklärt er.
Um die Rechenzeit zu verkürzen und gleichzeitig die physikalische Genauigkeit beizubehalten, setzen die Forscher auf wissenschaftliches maschinelles Lernen, einen Zweig der künstlichen Intelligenz, der zwei unterschiedliche Ansätze kombiniert.
Zwei Ansätze in einem
Eine davon ist maschinelles Lernen, bei dem ein Computer herausfindet, wie er eine große Datenmenge analysiert und Vorhersagen trifft, ohne über ein theoretisches Verständnis der von ihm analysierten Phänomene zu verfügen. Der Spamfilter in Ihrer E-Mail oder die Gesichtserkennungsfunktion in Ihrem Telefon sind Beispiele für maschinelles Lernen.
Der andere Ansatz ist das wissenschaftliche Rechnen, das beispielsweise physikalische Prozesse simulieren kann, in diesem Fall die Art und Weise, wie sich Wasser unter dem Einfluss mehrerer Faktoren durch einen bestimmten Raum bewegt.
„Der Vorteil der Kombination der beiden Ansätze besteht darin, dass man Modelle für maschinelles Lernen erhält, die über ein integriertes Verständnis dafür verfügen, wie sich das System voraussichtlich verhalten wird. Dadurch wird sichergestellt, dass die Modelle schnelle Vorhersagen generieren, die physikalisch sinnvoll sind und nicht alles.“ „Das kann bei Machine-Learning-Modellen ein Problem sein“, sagt Roland Löwe.
In einem Projekt, in dem der Professor zusammen mit dem Startup WaterZerv und dem außerordentlichen Professor an der DTU Allan Peter Engsig-Karup wissenschaftliches maschinelles Lernen nutzte, um die Bewegung von Wasser durch Entwässerungssysteme vorherzusagen, gelang es ihnen, Berechnungen 100-mal schneller als mit herkömmlichen Modellen durchzuführen.
„Anstatt also ein Projekt auszulagern, kann man die relevanten Entscheidungsträger in einem Raum versammeln, um die Modelle live laufen zu lassen und die Ergebnisse mehr oder weniger sofort zu erhalten. Anschließend kann man sich hinsetzen und verschiedene Optionen ausprobieren, um die beste Lösung für ein Projekt zu finden.“ gegebene Situation“, erklärt er.