Maskininlärning kan ge upp en extra timmes varningstid för skräpflöden längs Illgraben-strömmen i Schweiz, forskare rapporterar vid Seismological Society of America (SSA) årsmöte 2021.

Skräpflöden är blandningar av vatten, sediment och sten som rör sig snabbt nerför branta kullar, utlöst av kraftig nederbörd och innehåller ofta tiotusentals kubikmeter material. Deras destruktiva potential gör det viktigt att ha övervaknings- och varningssystem på plats för att skydda närliggande människor och infrastruktur.

I sin presentation på SSA, Małgorzata Chmiel vid ETH Zürich beskrev en maskininlärningsmetod för att upptäcka och varna mot skräpflöden för Illgraben-strömmen, en plats i de europeiska alperna som varje år upplever betydande skräpflöden och våldsamma händelser.

Seismiska uppgifter från stationer i Illgrabens avrinningsområde, från 20 tidigare skräpflödeshändelser, användes för att träna en algoritm för att känna igen de seismiska signalerna från skräpflödesbildning, detekterar tidiga flöden exakt 90 % av tiden.

Maskininlärningssystemet kunde upptäcka alla 13 skräpflöden och kraftiga händelser som inträffade under en tremånadersperiod 2020. Larmet som utlöstes av systemet inträffade mellan 20 minuter och en och en halv timme tidigare än beräknad ankomsttid för flödet kl. torrentens första checkdamm, beroende på flödets hastighet.

Skräpflödesvarningar för Illgraben-strömmen kommer från geofoner vid tre kontrolldammar och sensorer som mäter flödeshöjd. Trettio kontrolldammar installerades i den nedre delen av kanalen efter en katastrofal händelse 1961 som svämmade över kanalen och förstörde en bro.

Det nuvarande systemet begränsar skräpflödesdetektering till en fördämning som är belägen nedanför flodens övre avrinningsområde. "Dock, skräpflöden bildas vanligtvis i det övre avrinningsområdet, ovanför kontroll dam ett, " förklarade Chmiel. "För att förbättra det nuvarande varningssystemet, vi skulle behöva upptäcka de kraftiga händelserna i deras initiala formningsfas innan de anländer till check dam ett."

Regelbundenhet och variabilitet hos Illgraben-skräpflöden övertygade forskarna om att torrenten skulle vara ett bra ställe att testa sin maskininlärningsmodell som ett alternativt varningssystem.

"Vi trodde att storleken på datamängden borde vara tillräckligt för att träna en maskininlärningsmodell för robust detektering. Dessutom, Det som gör maskininlärning särskilt tilltalande för Illgraben är att detektorn kan förbättras varje år, med data från nya händelser, något som inte är möjligt att få med traditionella metoder, sa Chmiel.

Chmiel sa att systemet fungerar bra för att skilja kraftiga händelser från seismiska signaler som produceras av mänsklig aktivitet, nederbörd och jordbävningar. Nästa steg, hon noterade, kommer att vara att utforska om maskininlärningsmodellen också kan skilja mellan små och större och potentiellt mer skadliga skräpflöden.

De flesta skräpflöden i Illgraben aktiveras av kraftiga sommarregnstormar, även om snösmältning kan betinga sluttningen och potentiellt kan utlösa vissa flöden under senvåren eller försommaren, sa Chmiel. Ett stort skräpflöde kan hota byn Susten, bredvid den nedre delen av torrenten, eller områdets populära vandringsleder runt kanalen.