Mit Machine-Learning-Modellen lassen sich Straßenüberflutungen in Sekunden vorhersagen

Wer sich an einem regnerischen Tag fortbewegen will, muss oft Pfützen ausweichen – oder durch sie hindurchwaten. Bei starkem Regen können sich flache Pfützen jedoch schnell zu Straßenpfützen entwickeln, die den Verkehr behindern, die Sicherheit gefährden und die Notfallversorgung beeinträchtigen.

Dies gilt insbesondere für die Hampton Roads-Region in Virginia. Die Küstenregion Virginias, die nach einem der vielen Gewässer benannt ist, die die Städte und Landkreise miteinander verbinden, ist mit Überschwemmungen durch Flüsse, Meere oder den Himmel vertraut.

Seit Jahrzehnten erforschen lokale Behörden datenbasierte Methoden zur Bekämpfung von Wetterextremen und erhalten dabei Unterstützung von Forschern. Nun steuert die Thomas Jefferson National Accelerator Facility des US-Energieministeriums ihre eigene Expertise im Bereich Hochrechner bei, die der Allgemeinheit zugutekommt.

Wissenschaftler des Jefferson Lab, der Old Dominion University und der University of Virginia haben kürzlich eine Studie durchgeführt, in der sie Deep-Learning-Modelle von Überschwemmungen in der Stadt Norfolk mit früheren maschinellen Lern- und physikbasierten Simulationen verglichen haben. Ihre Arbeit, veröffentlicht im Journal Maschinelles Lernen mit Anwendungennutzt Daten von etwa 17.000 Straßenabschnitten mit einer Gesamtlänge von über 640 Kilometern, um die Stärken und Schwächen von Ersatzmodellen abzuwägen.

Eine dieser Stärken ist die Geschwindigkeit. Während physikbasierte Simulationen mehrere Stunden dauern können, können Modelle des maschinellen Lernens ähnliche Berechnungen in Sekundenschnelle durchführen. Die Forschung könnte Meteorologen dabei helfen, schneller vorherzusagen, welche Abschnitte des Verkehrsnetzes von Norfolk unter Wasser stehen werden.

„Überschwemmungen sind ein Problem für Verkehr, Gesundheit und Katastrophenschutz“, sagte Diana McSpadden, Datenwissenschaftlerin am Jefferson Lab. „Wenn Regen erwartet wird, muss man wissen, wo das Hochwasser sein wird. Für Entscheidungsträger in Städten ist es besonders wichtig, diese Dinge schnell herauszufinden.“

Die Studie wurde im Rahmen des Joint Institute on Advanced Computing for Environmental Studies (ACES) durchgeführt, einer einzigartigen Partnerschaft, die im vergangenen November von Jefferson Lab und ODU ins Leben gerufen wurde.

Die „Meerjungfrauenstadt“

Hampton Roads ist ein Magnet für maritime Aktivitäten und ein Spielplatz für Bootsfahrer, Strandbesucher und Angler gleichermaßen. Tatsächlich ist der Name der Region auf ihren tiefen und geschäftigen Hafen zurückzuführen – in der Seefahrtssprache eine Reede.

Hunderte von Kilometern Küstenlinie bieten hier einfachen Zugang zu Flüssen, Bächen, Seen, dem Atlantik und der Chesapeake Bay. Doch all dieses Wasser kann auch eine Gefahr darstellen.

Hampton Roads hat seinen Anteil an Küstenüberschwemmungen erlebt, die durch Gezeitenereignisse, Flussschwellen, Sturmfluten, den Anstieg des Meeresspiegels oder eine Kombination dieser Faktoren verursacht wurden. Eine im Allgemeinen flache Landschaft und niedrige Höhenlage machen die Region außerdem besonders anfällig für Überschwemmungen durch starke Regenfälle.

„Die Definition von Überschwemmungen ist etwas, das mich ziemlich besessen hat“, sagte McSpadden. „Manchmal scheint es sich dabei um Überschwemmungen an sonnigen Tagen bei Flut zu handeln, aber sie können auch durch Regen und Sturmfluten oder eine Kombination dieser Ereignisse verursacht werden.“

Die Überschwemmungen in Hampton Roads sind in Norfolk, der Heimat der ODU und direkt gegenüber dem Jefferson Lab, besonders schlimm. Norfolk ist mit etwa 230.000 Einwohnern Virginias zweitgrößte Stadt. Hier befindet sich der internationale Schifffahrtsknotenpunkt Port of Virginia, der größte Marinestützpunkt der Welt, eine lebhafte Hafenpromenade im Stadtzentrum und ein beliebter Strand an der Chesapeake Bay.

Norfolk, auch „Meerjungfrauenstadt“ genannt, ist seit jeher ein Ort, der sich durch zahlreiche Stürme auszeichnet, die die Stadt seit ihrer Gründung im Jahr 1705 – damals war Virginia noch eine englische Kolonie – überstanden hat. Heute ist Norfolk eine der Städte in den USA, die am stärksten von Überschwemmungen an der Küste betroffen sind, und Forscher sagen, es könnte noch schlimmer werden.

Entsprechend Ein von der ODU geleiteter Artikel, der in der Zeitschrift veröffentlicht wurde Geophysikalische ForschungsbriefeIn Norfolk haben Überschwemmungen seit 1960 um 325 Prozent zugenommen. Die Studie geht davon aus, dass sie sogar noch häufiger werden, „mit einem Potenzial von weit über 200 Überschwemmungsereignissen im Jahr 2049“.

„Störende Überschwemmungen stehen im Gegensatz zu Extremereignissen und werden vor allem aufgrund des steigenden Meeresspiegels immer häufiger“, sagte McSpadden. „Und der Begriff ‚Störung‘ wird immer weniger zutreffend sein, je häufiger diese Ereignisse auftreten, weil die Erholungszeit zwischen den Überschwemmungen kürzer wird.“

Nicht schiffbare Gewässer

Wenn Sie an einem regnerischen Tag durch Norfolk reisen, ist die Wahrscheinlichkeit groß, dass Sie auf eine überschwemmte Straße stoßen. Dies kann dazu führen, dass Sie durch Seitenstraßen kreuz und quer fahren müssen, ähnlich wie beim Navigieren durch ein „Pac-Man“-Labyrinth.

Fragen Sie einfach die außerordentliche Professorin Heather Richter von der ODU.

„Man kann definitiv in Bereiche geraten, in denen man feststeckt, weil einige Kreuzungen unpassierbar sind“, sagte Richter, der das ACES-Institut gemeinsam mit Malachi Schram, dem Leiter der Abteilung für Datenwissenschaft am Jefferson Lab, leitet. „Das ist eine wirklich knifflige Angelegenheit.“

Dann gibt es noch die sogenannten „Blue-Sky“- oder „Sunny-Day“-Überschwemmungen, bei denen Straßen oder Kreuzungen unter Wasser stehen, ohne dass es viel oder gar keinen Regen gegeben hat. Dieses Problem ist in Gegenden nahe der Uferpromenade von Norfolk weit verbreitet. Ein oft genanntes Beispiel ist die Ecke Boush Street und Olney Road in Norfolk, nur zwei Blocks von einer Einbuchtung des Elizabeth River entfernt, die als „The Hague“ bekannt ist, wo Fluten die umliegenden Straßen schnell überschwemmen können.

„In anderen Stadtteilen sind Überschwemmungen ein noch größeres Problem“, sagte Richter. „In Berkeley und Campostella zum Beispiel macht man sich große Sorgen. Ihre Feuerwache liegt in diesem extrem überschwemmungsgefährdeten Gebiet. Manchmal können ihre Einsatzfahrzeuge nicht einmal rausfahren, geschweige denn an ihr Ziel gelangen.“

Datentreiber

Norfolk nahm 2017 am Programm „Waze for Cities“ teil, um per Crowdsourcing Hochwasserdaten von den Nutzern der beliebten Handy-Navigations-App zu sammeln.

Norfolk erweiterte dies später durch ein Pilotprojekt, bei dem ein Echtzeitmodell namens Floodmapp in die Waze-App eingespeist wurde, um Reisende vor Gefahren und Sperrungen zu warnen, ohne dass andere Benutzer ihre „Stecknadeln“ platzieren mussten.

Um die Überschwemmungen in Mermaid City genauer zu untersuchen, erstellten Forscher der UVA eine hochpräzise, ​​physikbasierte Simulation mithilfe der Software Two-dimensional Unsteady Flow (TUFLOW). Jonathan Goodall, UVA-Professor für Bau- und Umweltingenieurwesen, arbeitet seit mehreren Jahren mit dem TUFLOW-Modell.

„Mit TUFLOW können wir Computersimulationen durchführen, um zu modellieren, wie Regen zu Abfluss wird, wie sich Abflusswasser ansammelt und durch Regenwasserrohre und -infrastruktur fließt und wie die Gezeitenbedingungen interagieren und den Regenwasserabfluss beeinflussen“, sagte Goodall.

Die in Australien entwickelte Software ist dynamisch und hochpräzise, ​​erfordert jedoch eine umfangreiche Kalibrierung und kann mehrere Stunden dauern. Goodall sagte, hier komme maschinelles Lernen ins Spiel.

„Da die TUFLOW-Simulationen physikbasiert und sehr detailliert sind, dauert es Stunden, bis sie abgeschlossen sind“, sagte er. „Wir haben viele verschiedene vergangene Sturmereignisse mit TUFLOW ausgeführt und dann die Ergebnisse verwendet, um ein maschinelles Lernmodell zu trainieren. Nach dem Training kann das maschinelle Lernmodell als Ersatz fungieren, der in Sekunden statt in Stunden ausgeführt wird.“

„Random Forests“ und neuronale Netzwerke

Goodall war Teil einer UVA-Zusammenarbeit, die einige der ersten Ersatzmodelle der TUFLOW-Simulation untersuchte. Dabei wurde eine maschinelle Lernmethode verwendet, die als „Random Forest“-Algorithmus.

„Die Random-Forest-Methode erstellt eine Sammlung von Entscheidungsbäumen“, sagte Goodall, „von denen jeder die Beziehung zwischen Niederschlag, Gezeiten und anderen Umwelt- und geografischen Eigenschaften sowie deren Beziehung zum Hochwasserstand erfasst.“

Der Random-Forest-Algorithmus verfügt jedoch nicht über eine direkte Möglichkeit, das zu akzeptieren, was Datenwissenschaftler als multimodale Eingabe bezeichnen.

„Wir reden hier wirklich über die Darstellung von Daten“, sagte McSpadden. „Nehmen wir an, wir bauen eine Stützmauer, ändern hier die Höhe und dort die Asphaltbedingungen oder pflanzen ein paar Bäume. Durch die Änderung der Bedingungen in diesen Bereichen entsteht ein dynamisches System.“

Das ACES-Team verglich die Random-Forest-Methode mit zwei Deep-Learning-Modellen. Beide basieren auf rekurrierenden neuronalen Netzwerken (RNNs) – geschichteten neuronalen Architekturen, die durch einen „Look-Back“-Ansatz lernen.

Erkenntnisse und zukünftige Arbeiten

Die ACES-Studie untersuchte 16.923 Straßenabschnitte mit einer Länge von jeweils 50 Metern und einer Breite von 7,2 Metern – basierend auf der durchschnittlichen Fahrbahnbreite in den USA. Die beschriebenen Merkmale sind Höhenlage, Nässe und Wassertiefe.

Die Höhendaten wurden aus dem digitalen Höhenmodell des US Geological Survey entnommen, das die Höhe über dem Meeresspiegel mit einer Auflösung von etwa einem Meter misst. Der Nässeindex misst die Ansammlung von Wasserabfluss aus umliegenden Gebieten. Im Allgemeinen speichern Gebiete mit niedrigeren Höhen und Hängen mehr Wasser als solche mit steileren Hängen und höheren Höhen. Der Wassertiefeindex schätzt, wie tief der Grundwasserspiegel (das Grundwasser) für jedes Segment ist.

Zu den weiteren in die RNNs eingespeisten Datensätzen gehören der stündliche Niederschlag, der maximale Niederschlag in einem Zeitraum von 15 Minuten, der Gezeitenpegel und der kumulierte Niederschlag der vorangegangenen zweistündigen und 72-stündigen Zeiträume.

Das Team nutzte Datenschichten von 16 Regenfällen, die zwischen 11 und 60 Stunden andauerten, um die Modelle zu testen und zu trainieren. Sie nutzten auch die sechs am stärksten von Überschwemmungen betroffenen Straßenabschnitte in Norfolk – alle in der Innenstadt in der Nähe des Elizabeth River –, um ihre Messungen direkt mit den anderen Modellen zu vergleichen.

Die ACES-Studie ergab, dass die Leistung der Deep-Learning-Modelle Überschwemmungen auf Straßenebene mit einer Laufzeit von 11 Sekunden genau vorhersagen kann, im Vergleich zu den 4-6 Stunden, die TUFLOW benötigt. Dies könnte Stadtplanern helfen, Warnungen auszugeben und schnelle Entscheidungen zu treffen, während die physikbasierten Modelle ihre Daten sortieren.

Die Vorhersagen und Fehlermargen der RNNs liegen im Zentimeterbereich des TUFLOW-Modells. In Bezug auf Präzision und Trefferquote (Empfindlichkeit) erzielten die RNNs hohe Werte bei Tiefen von weniger als 10 Zentimetern. Bei mittleren und großen Wassertiefen nahm die Präzision jedoch ab.

„Ein möglicher Grund für die Verschlechterung ist, dass es im Trainingsdatensatz weniger solcher Ereignisse gibt“, sagte Goodall. „Maschinelle Lernmodelle benötigen viele Beispiele, um gut trainiert zu sein, und zum Glück für Norfolk (aber nicht für das Modell) gibt es weniger dieser Ereignisse bei mittlerer und hoher Wassertiefe.“

Das Papier zeigt Möglichkeiten auf, die Modelle insgesamt zu verbessern. Eine davon besteht darin, sie unsicherheitsbewusst zu machen.

„Wenn Sie ein datengesteuertes Modell haben, das versucht, etwas im Zusammenhang mit Extremwetter vorherzusagen, möchten Sie eine Art Unsicherheitsschätzung haben“, sagte McSpadden. „Das Modell kennt nicht unbedingt die Physik. Es ist eine Funktion, die es gelernt hat. Sie möchten also eine gewisse Unsicherheit bei Ihrer Vorhersage.“

ACES-Aktualisierung

Das ACES-Team war seit seiner Gründung im November sehr beschäftigt. Das Institut hat neue Mitarbeiter eingestellt und beginnt derzeit mit mehreren Studien zu gesundheitlichen und ökologischen Herausforderungen in Hampton Roads.

ACES besteht aus mehr als einem Dutzend Wissenschaftlern, Pädagogen und Gesundheitsexperten aus verschiedenen Disziplinen und hat zwei Hauptforschungsbereiche. Einer davon ist die Erforschung der Beziehungen zwischen der natürlichen und der gebauten Umwelt, mit der sich diese Studie befasst.

„Wir haben unsere Fähigkeit verbessert, zu verstehen, was in der gesamten Umwelt vor sich geht, sei es in der Luft, im Wasser oder in der bebauten Umwelt“, sagte Richter. „Was um die Menschen herum geschieht, ist für uns wichtig.“

Der andere Bereich ist die klinische Informatik, also Gesundheit. Ein Projekt in diesem Bereich ist die Verwendung generativer Modelle in medizinischen Anwendungen. Für diese Studien arbeitet das Institut mit Kinderärzten zusammen, darunter dem Children’s Hospital of The King’s Daughters in Norfolk.

„Wenn wir das Problem der Gesundheitsungleichheit in Hampton Roads lösen und ein gerechteres Umfeld schaffen wollen, müssen wir dafür sorgen, dass es den Kindern von der Schwangerschaft bis in die frühe Kindheit gut geht“, sagte Richter. „Das ist ein wirklich wichtiges Zeitfenster, um das Wohlbefinden der Kinder zu fördern.“

ACES arbeitet an weiteren Dokumenten zum Thema Überschwemmungen und McSpadden sagte, dass die besondere Mischung der Talente des Teams diese positiven Auswirkungen auf die Gemeinschaft möglich mache.

„Wir haben die Datenwissenschaftler und Kernphysiker vom Jefferson Lab“, sagte sie. „Wir haben unsere Spezialisten für öffentliche Gesundheit, unsere Hydrologen und Umweltwissenschaftler, die über ODU und UVA zu uns kommen. Ich kenne keine andere Gruppe in Hampton Roads, die all diese unterschiedlichen Standpunkte zusammenbringen könnte.“