Η Cortana Intelligence Suite βοηθά στην πρόβλεψη πλημμυρών και στη βελτίωση της δημόσιας ασφάλειας

Ερευνητές από το Πανεπιστήμιο του Τέξας συνεργάστηκαν με άλλους ερευνητές, ομοσπονδιακούς φορείς, εμπορικούς εταίρους και πρώτους φορείς για να δημιουργήσουν το Εθνικό Πείραμα Διαλειτουργικότητας Πλημμύρας (NFIE). Χρησιμοποιούν το Microsoft Azure & Cortana Intelligence Suite για να δημιουργήσουν ένα πρωτότυπο για ένα εθνικό σύστημα μοντελοποίησης και χαρτογράφησης δεδομένων πλημμύρας. Οι στόχοι του NFIE περιλαμβάνουν την τυποποίηση δεδομένων, την επίδειξη μιας επεκτάσιμης λύσης και τη συμβολή στο κλείσιμο του χάσματος μεταξύ της εθνικής πρόβλεψης πλημμυρών και της τοπικής αντίδρασης έκτακτης ανάγκης.

Ο Tim Petty, υποψήφιος διδάκτορας στο Πανεπιστήμιο της Αλάσκας, Fairbanks, ήθελε να αντιμετωπίσει «το πρόβλημα του Onion Creek» και τι μπορούμε να κάνουμε για να εκτιμήσουμε τα επίπεδα πλημμύρας όταν αποτύχουν τα μετρητές ροής. Και έτσι ξεκίνησε το έργο SHEM.

Η εκτίμηση υδρολογίας ροής με χρήση μηχανικής μάθησης (SHEM) είναι ένα πείραμα της σουίτας Intelligence της Cortana που δημιουργεί ένα μοντέλο πρόβλεψης που μπορεί να λειτουργήσει ως δεδομένα ροής μεσολάβησης όταν αποτυγχάνει ένας μετρητής ροής. Και λόγω των δυνατοτήτων μηχανικής εκμάθησης, μπορεί ακόμη και να κάνει εκτιμήσεις των επιπέδων ροής όπου δεν υπάρχει πραγματικός μετρητής ροής.

Το SHEM διαφέρει από τα περισσότερα υπάρχοντα μοντέλα καθώς δεν βασίζεται στις αποστάσεις μεταξύ των μετρητών ροής και των χαρακτηριστικών θέσης τους, αλλά βασίζεται αποκλειστικά στη μηχανική μάθηση για την επεξεργασία από ιστορικά πρότυπα εκφόρτισης και την ερμηνεία μεγάλων όγκων πολύπλοκων υδρολογικών δεδομένων. Αυτή η «εκπαίδευση» προετοιμάζει το SHEM να προβλέψει πληροφορίες ροής για μια δεδομένη τοποθεσία και χρόνο, καθώς επηρεάζεται από πολυμεταβλητές ιδιότητες (για παράδειγμα, τύπος ρεύματος, τύπος ταμιευτήρα, ποσότητα βροχόπτωσης και συνθήκες επιφανειακής και υπόγειας ροής).

Διαβάστε αναλυτικά για αυτό το έργο εδώ. Μάθετε για το Cortana Intelligence Suite από τη Microsoft εδώ.