I ricercatori dell'Università di Dundee, nel Regno Unito, stanno portando insieme Twitter, scienza dei cittadini e tecniche di IA sviluppare un sistema di allerta precoce per le comunità a rischio di alluvione.

Lo studio è stato condotto da Dr. Roger Wang, docente di meccanica dei fluidi in ingegneria civile presso l'Università di Dundee.

La ricerca è pubblicata sulla rivista Computer e geoscienze.

Innalzamento del livello del mare

L'innalzamento del livello del mare rappresenta una minaccia molto realistica per le città americane. Sebbene non sia nemmeno un mese a 2018, le principali città americane, New York, Boston e Santa Barbara, sono state colpite da grandi alluvioni, con conseguente aumento del numero di vittime e costi dei danni.

Solo in 2017, 10 dei principali disastri naturali 16 ha comportato inondazioni, con conseguenti danni di $ 266.5 miliardi, secondo il Centro nazionale per l'informazione ambientale. A seguito dei grandi uragani, come gli uragani Harvey e Maria, le città sono ancora colpite da inondazioni ricorrenti.

"Negli ultimi dieci anni i livelli del mare sono aumentati in media di 3.4 mm all'anno", ha dichiarato Wang a dichiarazione. "Gli estremi di oggi diventeranno la media del futuro, quindi le città e i paesi costieri devono agire per proteggere la loro terra".

Il problema

Per sviluppare un accurato modello di alluvione urbano iper-risoluzione, è necessario disporre di un set di dati di buona qualità per convalidare e supportare il modello.

"Un compito chiave è convalidare in modo convincente il modello, altrimenti è convalida 'immondizia e immondizia', significa confrontare i risultati del modello e il set di dati di verità di base per dimostrare l'affidabilità del modello ", ha affermato Wang.  

Senza dubbio, le inondazioni urbane rappresentano una grave minaccia nazionale. Tuttavia, non solo il problema è difficile da monitorare a causa delle complessità nella raccolta e nell'elaborazione dei dati, ma anche il set di dati corrente è molto inaccessibile o inaccurato.

Secondo Wang, ci sono tre fonti standard per i set di dati di un'inondazione: sensori satellitari remoti, una rete locale di sensori, dichiarazioni di testimoni e rapporti assicurativi da parte dei governi. Tuttavia, hanno tutti i loro svantaggi.

Innanzitutto, un sensore satellitare remoto è troppo costoso per accedere e presenta una risoluzione errata o una bassa frequenza di scansione. In secondo luogo, una rete di sensori locale è troppo costosa da installare e mantenere. In terzo luogo, la fonte più popolare di indagini sui testimoni è costosa, inaccurata, incompleta e spesso soffre di ritardi.

"Ho trascorso 3 mesi ma sono rimasto sorpreso dal fatto che non esistesse un set di dati di buona qualità", ha dichiarato Wang. "Sono stato costretto a pensare fuori dagli schemi". ”

La Soluzione

Il team ha pensato alle reti di social media, come Twitter, e alle app di crowdsourcing e al modo in cui i loro utenti forniscono commenti in tempo reale sulle inondazioni. Utilizzando le tecniche di intelligenza artificiale, il team ha estratto i dati da queste reti di social media, dove i primi soccorritori spesso vanno a chiedere aiuto e registrano ciò che sta accadendo.

"Un tweet può essere molto istruttivo", ha detto Wang. "Potrebbe contenere informazioni sulla posizione dell'inondazione, la profondità dell'acqua, la tendenza all'alluvione, i sentimenti umani, che sono preziosi per le decisioni di evacuazione e la stima dei danni. Ancora più importante, ha il potenziale per fornire dati di iper-risoluzione. La precisione può essere espressa in metri o pacchi, un tweet che menziona il nome e il numero della via. "

Case Study: Sunny Day Flooding

Il team ha condotto un case study che includeva le tecniche di Twitter, citizen science e AI per monitorare le alluvioni diurne, un tipo di alluvione che si verifica a causa dell'alto livello del mare in assenza di eventi meteorologici estremi.

Innanzitutto, il team ha trasmesso in streaming e filtrato i dati di Twitter per un periodo di un mese in 2015. Hanno usato parole chiave come "alluvione", "inondazione", "diga", "diga" e "argini". In questo periodo sono stati analizzati più di tweet 7,500. Quindi, il team ha utilizzato l'elaborazione del linguaggio naturale per saperne di più su gravità, posizione e altre informazioni pertinenti.

In secondo luogo, hanno applicato le tecniche AI ​​ai dati raccolti da MyCoast, un'app di crowdsourcing che contiene oltre fotografie di inondazioni 6,000, che sono tutte prese e riportate dai suoi utenti. Utilizzando le tecniche AI, il team potrebbe identificare automaticamente le scene di inondazione dalle immagini che gli utenti postano.

Infine, hanno convalidato sia le informazioni estratte da Twitter che MyCoast in base ai dati sulle precipitazioni effettivi e ai report di chiusura stradale per esaminare la qualità dei set di dati.

Hanno scoperto che i tweet correlati ai livelli di precipitazioni e i dati di MyCoast erano correlati ai report di chiusura stradale. Credono che mentre i social network come Twitter forniscono informazioni rilevanti per il monitoraggio su larga scala e poco costoso, i dati crowdsourcing forniscono informazioni dettagliate e personalizzate.

"Abbiamo raggiunto il punto di precisione 70% e stiamo usando le migliaia di immagini disponibili su MyCoast per migliorare ulteriormente questo", ha detto Wang in un dichiarazione.

Il team non pensa che questo nuovo modello dovrebbe sbarazzarsi delle pratiche standard, ma avanzarle.

"Abbiamo scoperto che questi grandi approcci di monitoraggio delle inondazioni basati su dati possono sicuramente integrare i mezzi esistenti di raccolta dei dati e dimostrare grandi promesse per migliorare il monitoraggio e gli avvisi in futuro", ha detto Wang in un dichiarazione.

Per ora, il modello può solo monitorare lo sviluppo degli eventi di inondazione.

Cosa c'è di nuovo?

Il team sta attualmente collaborando con altre società per sviluppare un modello matematico in grado di prevedere la nuova tendenza dell'alluvione e mettere in guardia le comunità di conseguenza.

"Associando i nostri big data e la piattaforma AI al modello matematico, possiamo correggere in tempo reale il modello matematico, chiamato" assimilazione dei dati "," ha affermato Wang. “Di conseguenza, il modello matematico diventa più accurato e continua ad essere aggiornato per riflettere la nuova tendenza dell'inondazione. Riteniamo che il nuovo modello possa prevedere i futuri giorni di alluvione prima del vero evento, a seconda della geolocalizzazione e del tempo ".