Die Cortana Intelligence Suite hilft bei der Vorhersage von Überschwemmungen und der Verbesserung der öffentlichen Sicherheit

Symbol für die Lesezeit 2 Minute. lesen


Leser unterstützen MSpoweruser. Wir erhalten möglicherweise eine Provision, wenn Sie über unsere Links kaufen. Tooltip-Symbol

Lesen Sie unsere Offenlegungsseite, um herauszufinden, wie Sie MSPoweruser dabei helfen können, das Redaktionsteam zu unterstützen Lesen Sie weiter

Forscher der University of Texas arbeiteten mit anderen Forschern, Bundesbehörden, Handelspartnern und Ersthelfern zusammen, um das National Flood Interoperability Experiment (NFIE) zu erstellen. Sie verwenden die Microsoft Azure & Cortana Intelligence Suite, um einen Prototyp für ein nationales Modellierungs- und Kartierungssystem für Hochwasserdaten zu erstellen. Zu den Zielen des NFIE gehören die Standardisierung von Daten, die Demonstration einer skalierbaren Lösung und die Unterstützung beim Schließen der Lücke zwischen nationaler Hochwasservorhersage und lokaler Notfallhilfe.

Tim Petty, ein Doktorand an der University of Alaska, Fairbanks, wollte sich mit dem „Onion Creek Problem“ befassen und was wir tun können, um die Überschwemmungspegel abzuschätzen, wenn Strompegel ausfallen. Und so begann das Projekt SHEM.

Die Wasserfluss-Hydrologieschätzung mithilfe von maschinellem Lernen (SHEM) ist ein Cortana Intelligence Suite-Experiment, das ein Vorhersagemodell erstellt, das als Proxy-Stromflussdaten fungieren kann, wenn ein Flussmesser ausfällt. Und aufgrund der maschinellen Lernfähigkeiten kann es sogar Schätzungen der Wasserstände vornehmen, wenn keine tatsächliche Wasserstandsanzeige vorhanden ist.

SHEM unterscheidet sich von den meisten bestehenden Modellen, da es nicht auf Entfernungen zwischen Flusspegeln und ihren Standortattributen beruht, sondern ausschließlich auf maschinellem Lernen basiert, um historische Abflussmuster zu verarbeiten und große Mengen komplexer hydrologischer Daten zu interpretieren. Dieses „Training“ bereitet SHEM darauf vor, Strömungsinformationen für einen bestimmten Ort und eine bestimmte Zeit vorherzusagen, da sie von multivariaten Attributen beeinflusst werden (z. B. Art des Stroms, Art des Reservoirs, Niederschlagsmenge sowie Oberflächen- und Untergrundströmungsbedingungen).

Lesen Sie mehr über dieses Projekt im Detail hier. Erfahren Sie mehr über die Cortana Intelligence Suite von Microsoft hier.

Mehr zu den Themen: Cortana Intelligence-Suite, Flut, Microsoft Azure, Prognose, University of Texas

Hinterlassen Sie uns einen Kommentar

E-Mail-Adresse wird nicht veröffentlicht. Pflichtfelder sind MIT * gekennzeichnet. *