Cortana Intelligence Suite aiuta a prevedere le inondazioni e a migliorare la sicurezza pubblica

Icona del tempo di lettura 2 minuto. leggere


I lettori aiutano a supportare MSpoweruser. Potremmo ricevere una commissione se acquisti tramite i nostri link. Icona descrizione comando

Leggi la nostra pagina informativa per scoprire come puoi aiutare MSPoweruser a sostenere il team editoriale Per saperne di più

I ricercatori dell'Università del Texas hanno collaborato con altri ricercatori, agenzie federali, partner commerciali e primi soccorritori per creare il National Flood Interoperability Experiment (NFIE). Stanno usando Microsoft Azure e Cortana Intelligence Suite per costruire un prototipo per un sistema nazionale di modellazione e mappatura dei dati sulle inondazioni. Gli obiettivi della NFIE includono la standardizzazione dei dati, la dimostrazione di una soluzione scalabile e l'aiuto a colmare il divario tra la previsione nazionale delle inondazioni e la risposta alle emergenze locali.

Tim Petty, un dottorando presso l'Università dell'Alaska, Fairbanks, ha voluto affrontare "il problema di Onion Creek" e cosa possiamo fare per stimare i livelli di inondazione quando gli indicatori di flusso si guastano. E così è iniziato il progetto SHEM.

La stima dell'idrologia del flusso di flusso mediante l'apprendimento automatico (SHEM) è un esperimento di Cortana Intelligence Suite che crea un modello predittivo che può fungere da dati del flusso di flusso proxy quando un indicatore di flusso si guasta. E grazie alle capacità di apprendimento automatico, può anche fare stime dei livelli di flusso in cui non è presente alcun indicatore di flusso effettivo.

SHEM differisce dalla maggior parte dei modelli esistenti in quanto non si basa sulle distanze tra gli indicatori di flusso e i loro attributi di posizione, ma si basa esclusivamente sull'apprendimento automatico per elaborare modelli storici di portata e interpretare grandi volumi di dati idrologici complessi. Questa "formazione" prepara SHEM a prevedere le informazioni sul flusso del flusso per una data posizione e ora poiché è influenzato da attributi multivariati (ad esempio, tipo di flusso, tipo di serbatoio, quantità di precipitazioni e condizioni di flusso superficiale e sotterraneo).

Leggi questo progetto in dettaglio qui. Ulteriori informazioni su Cortana Intelligence Suite di Microsoft qui.

Maggiori informazioni sugli argomenti: Suite di intelligenza Cortana, Alluvione, Microsoft Azure, predizione, Università del Texas

Lascia un Commento

L'indirizzo email non verrà pubblicato. I campi obbligatori sono contrassegnati con *