Susanne Nielsen inser att det förmodligen bara är en tidsfråga innan hennes föräldrars sommarhus vid Slettestrand på Nordjylland drabbas av översvämningar. För under huset, som ligger bara 400 meter från Jammerbugts viken i kommunen med samma namn, är grundvattennivån nu ofta så hög att det finns risk för att stora mängder regn inte ska kunna sippra bort, men gå hellre in i huset.
"Det är en oro vi har om vi får mycket regn", medger hon.
För att ge invånare och beslutsfattare bästa chansen att skydda sig mot översvämningar i området har forskare från DTU hjälpt Jammerbugts kommun att ta fram ett tidig varningsverktyg. Det kan ge 48 timmars varsel om lokala översvämningar längs floder, bäckar och kustområden i kommunen. Det är det första i sitt slag som ger lokala översvämningsvarningar.
"Det kommer att ge oss tid att reagera om det behövs, så det kommer att vara till stor hjälp", säger Susanne Nielsen från sitt hem i Aalborg – cirka 40 kilometer från sommarhuset som hon tar hand om sina föräldrar, som bor i Norge.
Verktyget — ett så kallat "vått index" — är baserat på artificiell intelligens utbildad på fritt tillgänglig data om dynamik som påverkar risken för översvämning. Data kommer från satellitbilder och väderprognoser, samt information om mark- och havsvattennivåer och landskapets topografi.
Rörelsen och ansamlingen av vatten i öppna landskap är dock svår att beräkna eftersom många parametrar påverkar hur vatten rör sig och ackumuleras. För att hantera denna komplexitet användes artificiell intelligens i utvecklingen av modellen bakom det våta indexet.
Genom att använda specifika designprinciper i konstruktionen av modellen och mata den med noggrant utvalda data, har forskarna införlivat en förståelse för vattenrörelser, distribution och interaktion med den omgivande miljön, enligt Roland Löwe. Han är en av utvecklarna av våtindexet och docent vid DTU med inriktning på hur vatten beter sig.
Jammerbugts kommun testade verktyget 2023. Resultaten visar bättre än väntat förutsägelser för de blöta vårmånaderna. Men under sommarperioden, när Danmark nästan var drabbat av torka, förutspådde verktyget felaktigt översvämningar i samma områden som hade översvämmats under den regniga våren.
De felaktiga förutsägelserna berodde på att verktyget tränades med för lite data från sommarmånaderna. Detta beror på att satelliter inte kan registrera vatten under vegetation och med tanke på att fälten är täckta av växter under sommaren är datamängden vid den tiden på året mindre.
"En tidig varning måste vara relativt korrekt för att medborgarna ska lita på systemet. Det är därför vi valde att göra en provkörning, där endast utvalda medborgare har kontrollerat det regelbundet — och där vi som kommun hade drönare i luften för att validera förutsägelser ," förklarar projektledare Heidi Egeberg Johansen från Jammerbugts kommun.
Hon framhåller dock att den samlade erfarenheten är att projektpartnerna har skapat ett verktyg med stor potential. Därför söker kommunen medel för att omskola och eventuellt anpassa modellen, som kommer att vara offline tills det arbetet har skett, säger Heidi Egeberg Johansen.
Noggranna beräkningar är avgörande — inte bara när medborgare och räddningstjänst behöver göra i ordning vattentub och sandsäckar, utan även när till exempel kommuner ska bestämma hur de bäst ska bygga ut sina dräneringssystem för att klara av framtidens blötare klimat. Traditionella simuleringar kan enkelt producera stenhårda beräkningar av systemens förmåga att avleda vatten under olika scenarier – men enligt Roland Löwe tar de en evighet att slutföra.
"I praktiken betyder det att varje gång planerare behöver analysera något måste de anlita konsulter som försvinner ner i en låda i två månader innan de kan komma tillbaka med resultat. Och det är bara för obekvämt", förklarar han.
För att förkorta beräkningstiden samtidigt som den fysiska noggrannheten bibehålls, förlitar sig forskarna på vetenskaplig maskininlärning, en gren av artificiell intelligens som kombinerar två olika tillvägagångssätt.
Den ena är maskininlärning, där en dator räknar ut hur man analyserar en stor mängd data och gör förutsägelser utan att ha en teoretisk förståelse för de fenomen den analyserar. Spamfiltret i din e-post eller ansiktsigenkänningsfunktionen i din telefon är exempel på maskininlärning.
Det andra tillvägagångssättet är scientific computing, som till exempel kan simulera fysiska processer, vilket i det här fallet är hur vatten rör sig genom ett givet utrymme under påverkan av flera faktorer.
"Fördelen med att kombinera de två tillvägagångssätten är att du får maskininlärningsmodeller som har en inbyggd förståelse för hur systemet förväntas bete sig. Detta hjälper till att säkerställa att modellerna genererar snabba förutsägelser som är vettiga fysiskt och inte alla över platsen, vilket kan vara ett problem med maskininlärningsmodeller, säger Roland Löwe.
I ett projekt där professorn, tillsammans med startupen WaterZerv och docent vid DTU Allan Peter Engsig-Karup, använde sig av vetenskaplig maskininlärning för att förutsäga vattnets rörelse genom dräneringssystem, lyckades de utföra beräkningar 100 gånger snabbare än med traditionella modeller.
"Så istället för att lägga ut ett projekt på entreprenad kan du samla relevanta beslutsfattare i ett rum för att köra modellerna live och få resultaten mer eller mindre direkt. Du kan sedan sätta dig ner och prova olika alternativ för att hitta den bästa lösningen för en given situation", förklarar han.
Tillhandahålls av Danmarks Tekniska Universitet
