Klimaendringene fører til stadig mer nedbør og endrede naturforhold i verden og Norge. Flom er en av de mest omfattende naturhendelsene med størst konsekvenser for befolkning, næringsliv og infrastruktur. Prosjektet Flomrespons er et utviklingsprosjekt initiert av seks kommuner i Nord-Gudbrandsdalen og Ottadalen.

– Kommunene ønsket å utfordre aktører i markedet til å utvikle et nytt verktøy for flomvarsling, sier Markus Först, Prosjektleder i Sweco.

Foto: Sweco

– Dette verktøyet skal på bedre måter enn tidligere varsle flom på lokalt nivå før den inntreffer, slik at lokale myndigheter og befolkning kan iverksette tiltak i god tid før flomhendelser. For oss i Sweco er dette et svært spennende prosjekt, fordi vi ikke bare må levere bra, men supert.

Mange variabler og lokale forskjeller

Flom har store konsekvenser for veg, jernbane og bygdesentra. Kommunene i Ottadalen og Gudbrandsdalen har flere ganger blitt rammet med større og mindre konsekvenser. Flomrespons er et effektiviserings- og prioriteringstiltak for lokal- og infrastrukturmyndigheter.

Illustrasjon: Sweco

– Fra før finnes det ulike flommodeller, men disse er ofte veldig generelle, sier Först.

– Et eksempel på hvor komplekst dette er kan være vestlandet med sine høye fjell og bratte dalsider. Her er det en utfordring å forutsi noe om fremtiden fordi den samtidige situasjonen kan være helt forskjellig mellom nabodaler.

– I Flomrespons samler vi input fra mange forskjellige variabler, for eksempel nedbør, snøsmelting og andre data i terreng med store innsjøer og vassdrag med og uten strømproduksjon. Når vi har alle disse data samlet kan vi si noe om hvordan situasjonen vil bli.

Maskinlæring kompenserer for lite detaljert input

Per i dag finnes ikke et godt flomvarslingssystem på detaljert nivå. Ofte dekker dagens varsel store områder som kan være krevende å bruke for lokale myndigheter, som oftest heller ikke besitter veldig mye kompetanse på dette.

Foto: Sweco

– Målet for prosjektet er å skape nye måter å øke oppløsningen eller detaljeringsgraden i flomvarsler, sier Pål Preede Revheim, Senior energirådgiver i Sweco.

– Vi jobber nå med å utvikle en hybridmodell der detaljerte geodata og fysisk modellering kombineres med maskinlæringstilnærming som kan kompensere for en manglende detaljeringsgrad som blant annet skyldes relativt få målestasjoner. Slik kan vi koble måleresultater med et bilde av situasjonen, uten at vi har all finmodellering tilgjengelig.

Målerplassering viktig

Flomrespons søker å finne bedre måter å ta i bruk det eksisterende nettet av målestasjoner på, og skaffe bedre tilgang på datakilder som allerede er i bruk.

– Enkelte steder kan det nok være nødvendig med en bedre plassering enn en eksisterende stasjon, at en annen plassering er mer representativ for det aktuelle vassdraget. Vi må imidlertid velge dette med omhu, for vi kan ikke utplassere hundrevis av målere som det skal drives vedlikehold på. Derfor satser vi på at en hybridtilnærming med maskinlæringsstrategi er det som gir best resultater og forutsigbarhet, avslutter Först.