跳到主要內容區塊

選單

:::

Facebook 社團

:::

網站地圖

:::防災特報

按鈕

AI-降雨與淹水關係

  大數據資料除來自過去既有資料與建置IoT資料外,可透過水理、淹水模式模擬產出之資料,進行大數據資料庫建置,藉由數據統計分析、資料探勘與檔案格式處理,提供給人工智慧來使用。人工智慧(artificial intelligence )可分為
強人工智慧(Strong AI):機器能具有與人類相同完整的認知能力,如自駕車。
弱人工智慧(Weak AI) : 機器不需要具有與人類相同完整的認知能力,只要設計得看起來像具有智慧就即可,如冰箱家電。

強人工智慧如機器學習(Machine Learning)是透過演算法,使用大量資料進行訓練,訓練完成後會產生模型。未來當有新的資料,我們可以使用訓練產生的模型進行預測。如利用氣象濕度、風向、風速、氣壓、溫度、露點等資料,可以學習天氣是否下雨或晴天,如圖1所示。或降雨量入滲、降雨延時、集流延時等資料可以學習降雨後淹水與否,如圖2所示。

相關圖片
圖1 天氣預測

 
相關圖片
圖2 降雨淹水

機器學習可分為監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning)、增強式學習(Reinforcement Learning)在分類上如表1、表2與圖3所示,監督式學習係根據資料特徵、物理特性,將資料與目標進行一系列連結,如簡單二元分類,將天氣分為降雨與不降雨或村里淹水不淹水。多元分類為晴天、雨天、陰天或目標物淹水情況。回歸分析可將物理量轉為機率預測、如下雨機率、淹水機率。非監督學習群集係依據資料庫資料尋找相似度最好去做預報,如天黑有機會下雨,但不一定真的下雨,根據過去資料去做預測

強化學習係根據大量數據資料庫,藉由定義、動作(action)、狀態(states)進行預測,每一層級都有被規範與目的,最後進行預測等目標。而深度學習亦是利用此特性來進行。

表1 機器學習特徵與目標示意(下雨、不下雨)
相關圖片

深度學習(Deep Learning)深度學習模擬人類神經網絡的運作方式,常見的深度學習架構,如多層感測器(Multilayer Perceptron)、深度神經網路DNN(Deep Neural Network)、卷積神經網路CNN(Convolutional Neural Network)、遞迴神經網路RNN(Recurrent Neural Network)。深度學習特別應用於視覺辨識、語音識別、自然語言處理、生物醫學等領域,已取得非常好的效果。
 
表2機器學習特徵與目標示意(淹水、不淹水)
相關圖片
相關圖片
圖3大數據的分類示意圖
 
深度學習的神經網路結構,該長什麼模樣?目前主流作法有 CNN (Convolutional Neural Network)、RNN (Recurrent Neural Network)等,如圖4所示。CNN 善於處理空間上連續的資料,例如影像辨識;RNN 適合處理有時間序列、語意結構的資料。而水利領域有空間降雨與時間累積雨量資料、河川水位與區域淹水有時間序列資料。因此,若要對區域淹水進行預報預測,就要有空間與時間資料才能對區域淹水有預報預測之可能。

相關圖片
圖4 CNN與RNN 資料處理與訓練示意圖
 
資料來源: http://research.sinica.edu.tw/deep-learning-2017-ai-month/

機器學習需要大數據,資料那來?淹水預測需要有雨量大數據,資料那來?降雨後,是否有淹水,資料又那來?實測資料夠嗎?有資料嗎?種種問題似乎讓這件事情無法有效進行。這裡提供一個方法:
1. 資料由物聯網、水文不確定性組成的大數據,如圖5所示。
2. 雨量資料:有空間與時間分布,如過去10年臺灣有QPESUMS的空間與時間的網格資料,地面有雨量站資料。挑選區域最大與具有代表性雨量資料進行空間與時間不確定性分析。
3. 淹水資料:有淹水模式(檢定與驗證後之模式)進行水文、水理、淹水模式模擬,如6000場次降雨資料與淹水模擬結果,若資料量不夠,可以增加至10000場次,甚至更高。取得降雨、淹水、抽水機、滯洪池水庫、水門等操作資料。如此,就有大數據資料庫,供AI機器學習與深度學習使用。

相關圖片
圖5 大數據的由來示意圖
RNN 降雨與淹水的方式如搜圖,如圖6所示,利用大數據資料庫,將現況降雨特性,如現況與前三小時降雨特性之雨量,與QPESUMS未來3小時預測雨量進行相似度分析,將資料庫最相似的雨量進行比對,並將淹水資料找出進行淹水預報

相關圖片
圖6 RNN的淹水搜圖

CNN降雨與淹水的方式,如深度學習分層,如圖7所示,利用大數據資料庫,用QPESUMS網格資料進行各層參數學習,於地面上每一位置,均可得到一組深度學習的參數組合(降雨與深度學習公式),只要取得前期降雨與預報資料就可快速算出各區域之淹水深度,可快速算出淹水預報資訊。上述兩種方法目前在資料取得後,均可在3分鐘內完成資料處理與展示。

相關圖片
圖7 CNN之深度學習之降雨與淹水關係
 
 




楊昇學博士編譯
 

相關圖片

  • 1008
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02
2018/02/02