Einsatz von Künstlicher Intelligenz zur Verbesserung der Resilienz und Vorbereitung auf adverse Hochwasserereignisse

Der Hauptfokus dieses Papiers liegt auf der neuartigen Anwendung von Künstlicher Intelligenz (KI) bei Naturkatastrophen, insbesondere Hochwasser, um die Resilienz und Vorbereitung auf Hochwasser zu verbessern. Verschiedene Arten von Hochwasser haben unterschiedliche Folgen und folgen einem spezifischen Muster. Zum Beispiel kann ein Schnellhochwasser das Ergebnis von Schnee- oder Eis schmelzen sein und an bestimmten geografischen Orten und zu bestimmten Jahreszeiten auftreten. Die Motivation hinter dieser Forschung stammt aus dem Projekt "Building Resilience into Risk Management" (BRIM), das sich mit der Resilienz in Wassersystemen beschäftigt. Diese Forschung nutzt die Anwendung modernster Techniken, d.h. KI, genauer gesagt Machine Learning (ML) Ansätze mit großen Datenmengen, die aus vorherigen Hochwasserereignissen gesammelt wurden, um aus der Vergangenheit zu lernen, Muster und Informationen zu extrahieren und das Verhalten von Hochwasser zu verstehen, um die Resilienz zu verbessern, Schäden zu verhindern und Leben zu retten. In diesem Papier wurden verschiedene ML-Modelle entwickelt und bewertet, um Hochwasser zu klassifizieren, d.h. Schnellhochwasser, Uferhochwasser usw., unter Verwendung aktueller Informationen, d.h. Wettervorhersage an verschiedenen Standorten. Die analytischen Ergebnisse zeigen, dass die Random Forest Technik die höchste Klassifikationsgenauigkeit bietet, gefolgt von der J48 Entscheidungsbaum- und den Lazy-Methoden. Die Klassifikationsergebnisse können zu besseren Entscheidungen führen, welche Maßnahmen zur Prävention und Vorbereitung getroffen werden können und damit die Hochwasserresilienz verbessern.