Safety for Alpine Villages

Schlüsselbegriffe

WSL, Machine Learning, Feature Extraction, Signal Data, Optuna, Cat-Boost

Zielsetzung

• Schätzung der Korngrössenverteilung und des Gesamtgeschiebetransportsn
• Vergleich der Messysteme und entwickelten Modellen zum besseren Verständnis der Modellierbarkeit von den Korngrössen und der Systeme
• Übertragbares Modell von Labordaten zu Felddaten
• Wissenschaftlicher Bericht (Paper Draft) als Basis für weiterführende Arbeiten

Ausgangslage

Mit weltweit einzigartigen Messsystemen ist die Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft (WSL) ein Pionier in der Erforschung des Geschiebetransports in Fliessgewässern. Mit ihren Systemen sind sie in der Lage, Geschiebetransportmessungen in Echtzeit durchzuführen und zeichnen seit 2018 Messsignale auf. Nach der Durchführung der Messungen, liegen Daten von drei Messsystemen vor: Miniplate Accelorometer (MPA), Square Pipe System (SPG) und Swiss Plate Geophones (SPS). Ziel ist es, diese Systeme später im Feld einzusetzen, wo die Messungen helfen können, Risikoindikatoren für gefährliche Geschiebetransporte zu liefern. Die Messsysteme wurden in einer Versuchsumgebung eingesetzt, um kontrollierte Geschiebetransportmessungen durchzuführen. Dabei wurden Messungen für verschiedene Korngrößen zwischen 5 mm und 170 mm aufgezeichnet. Um die Risiken und das Geschiebe im Ist-Zustand abzuschätzen, sollen passende Machine Learning Modelle trainiert und verglichen werden, welche die Größen der durchgelassenen Körner beim Geschiebetransport vorhersagt.

Ergebnisse

Mit den komplexen Modellen wurde ein R2-Score von über 0,8 für alle Messsysteme erreicht. Das beste Modell lieferte das komplexe Cat-Boost-Modell für das neueste SPS- Messsystem. Es erreichte einen R2-Score von 0,841. Nebst dem R2-Score wurden auch die Schätzungsfehler untersucht. Es wurde festgestellt, dass alle Modelle vor allem bei der Vorhersage kleiner Korngrößen schlecht abschnitten, da weniger Daten zur Verfügung standen. Die Fehler des Messsystems SPS sahen am vielversprechendsten aus, da die Abweichungen über alle verschiedenen Korngrößen gering waren. Darüber hinaus analysierten wir die Wichtigkeit der Features anhand von SHAP-Values, wobei sich zeigte, dass die Signalmerkmale «spectral_rolloff» und «spectral_centroid» am meisten zum Ergebnis unserer Modellvorhersagen beitrugen. In einem nächsten Schritt werden die Modelle anhand von Felddaten getestet, um festzustellen, ob die Modelle in Feldumgebungen anwendbar sind.

Projektdaten

Ein Semester, 180 Stunden pro Person, 2 Personen

Auftraggeber

Dr. Lorenz Ammann
Eidg. Forschungsanstalt WSL
Zürcherstrasse 111
8903 Birmensdorf

Projektteam

Simon Staehli,
Firat Saritas

Betreuer

Prof. Dr. Susanne.Suter,
Prof. Dr. Rocco Custer

<< zurück