Bjerknessenterets mål er å forstå klima
til nytte for samfunnet.

Ingjald Pilskog og Stephen Outten intervjuar Jenny Hagen. (Foto: Andreas Hadsel Opsvik)

Podcast: Korleis kan kunstig intelligens forutsjå flaum?

Jenny Sjåstad Hagen arbeider med å ta flaumvarsel til nye høgder med kunstig intelligens.

Body

Gjennom historia har menneska alltid samla seg rundt elver for ferskvatn, mat og transportmoglegheitene dei gir – så flaum har vore ei fare lenge. Ettersom befolkningar auker, aukar også faren for folk og bebyggelse.

Gode førebuingar kan avgrense skadene frå ein flaum, men det krever kunnskap om når dei kjem. Teknologi under utvikling, som maskinlæring, kan halde nøkkelen til pålitelege flaumvarsel. Jenny Hagen studerar denne utviklinga, gjennom kunstig intelligens (KI).

– Maskinlæring er ei undergrein av kunstig intelligens, seier Hagen, stipendiat og maskinlæringsspesialist ved Universitetet i Bergen og Bjerknessenteret.

How is flood prediction done now?

I denne podcasten forklarar ho korleis maskinlæring kan skru opp farten og forbetre flaumvarsel, sjølv i eit klima i endring, ved å late maskinene lære frå historiske data.

Jenny Sjåstad Hagen
Jenny Sjåstad Hagen. . (Foto: Andreas H. Opsvik)

 

How will machine learning change this?

Éin av fordelane med maskinlæring er at desse algoritmene kan gå gjennom tonnevis av data vi menneske aldri vil ha tida eller ressursane til å prosessere.

Google Translate, veneforslag på Facebook, robotar som lærar av å sjå andre bevege seg – alle desse benytter maskinlæringsprinsipp av ein eller anna art. Hagen sitt arbeid fokuserar på ei kopling mellom maskinlæring og storskala atmosfæresirkulasjon – lufttrykk, nedbør, temperatur, vindar, og så vidare – til flaumar i norske vassdrag, som ein del av prosjektet CHEX ved Bjerknessenteret.

– Vi brukar ei enkel analyse med tre tradisjonelle maskinlæringsteknikkar: "random forest", "support-vector machine" og "shallow neural networks", seier Hagen, om dei tre ganske ulike metodane.

– Den viktigaste tingen for ein maskinlæringsmodell er ikkje strukturen, men kvaliteten og kvantiteten på data. Om du dytter søppel inn den eine enden, får du sjølvsagt søppel ut igjen!

Tidlegare studier med maskinlæring på flaumar har sett på lengre tidsskalaer, månadleg, sesongbasert eller årleg. Det nye med dette arbeidet er at det ser på varsel på ein dagsskala. Ho ser på dette som framtida for operasjonelle varsel, og seier det er fleire initativ for å utvikle dette vidare i Noreg og Europa.

Podcasten er produsert av Stephen Outten og Ingjald Pilskog for Bjerknessenteret for klimaforsking. Outten er forskar ved Nansen Environmental and Remote Sensing Center og Bjerknessenteret for klimaforsking. Pilskog er førsteamanuensis ved Høgskulen på Vestlandet og tilknytt Bjerknessenteret. Du finner alle podcastepisodane her, på Podbean, Apple, Spotify, eller kvar enn du finn podcastane dine.

Referanser

Hagen, Jenny Sjåstad; Leblois, Etienne; Lawrence, Deborah; Solomatine, Dimitri; Sorteberg, Asgeir.
Identifying major drivers of daily streamflow from large-scale atmospheric circulation with machine learning. Journal of Hydrology 2021
UiB