Varslingssystem imod regnbetingede oversvømmelser
Oversat titel
Early warning system against stormwater flooding
Forfattere
Eriksen, Jens Martin ; Dichmann, Lasse Ehlert Nedergaard
Semester
4. semester
Uddannelse
Udgivelsesår
2019
Afleveret
2019-06-07
Antal sider
124
Resumé
Kraftig regn har ført til flere regnbetingede oversvømmelser med store økonomiske konsekvenser for borgere, kommuner og forsikringsselskaber. Tidlige varsler gør det muligt at sætte ind i tide. For at varsle effektivt kræves en realtidsmodel, der kan beregne, hvor oversvømmelser breder sig, og hvor dybt vandet står. Kernen i varslingssystemet er en realtidsmodel baseret på surrogatmodellering, hvor der opbygges et katalog af responser ved at simulere historisk observeret nedbør med en MIKE FLOOD-model. Kataloget viser, hvordan oversvømmelsesgivende regnhændelser hænger sammen med oversvømmelsesudbredelse og vandniveau over terræn. Denne viden bruges til at opbygge hurtige realtidsmodeller baseret på logistiske funktioner (en statistisk metode) og neurale netværk (maskinlæring). Afhandlingen undersøger desuden, om kunstigt konstrueret nedbør kan bruges til formålet, herunder CDS-regn (en type syntetisk designregn). Resultaterne viser, at neurale netværk kan modellere oversvømmelsesudbredelse og vanddybde over terræn med høj præcision i realtid. Modeller baseret på logistiske funktioner er også anvendelige til at forudsige oversvømmelsesudbredelse, fordi middelintensiteten over forskellige regnvarigheder i høj grad er korreleret til, hvor stort et område der oversvømmes. Endelig viser resultaterne, at CDS-regn kan anvendes til at opbygge en realtidsmodel, der med tilfredsstillende præcision genskaber systemets respons på en regnhændelse.
Intense downpours are causing more pluvial (rain-related) floods, with significant economic impacts on residents, municipalities, and insurers. Early warnings enable preventive action. Effective warning requires a real-time model that estimates where flooding will occur and how deep the water will be. The core of the warning system is a real-time surrogate model built from a catalog of responses generated by simulating historically observed rainfall with a MIKE FLOOD model. This catalog reveals how flood-triggering rain events relate to flood extent and water level above the ground. That knowledge feeds fast real-time models based on logistic functions (a statistical method) and neural networks (machine learning). The study also examines whether artificially constructed rainfall can be used for this purpose, including CDS rain (a type of synthetic design rainfall). The results show that neural networks can model flood extent and water depth with high accuracy in real time. Logistic-function-based models are also useful for predicting flood extent, because the mean intensity over different rainfall durations strongly correlates with how large the inundated area becomes. Finally, CDS rain can be used to build a real-time model that reproduces the system’s response to a rain event with satisfactory accuracy.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]
Emneord