Prediksjon av mettet infiltrasjonsrate ved bruk av fjernmåling og nevrale nett

Abstract

I denne oppgaven undersøkes kvaliteten på konvensjonelle infiltrasjonsmålemetoder og mulighetene for bruk av konvolusjonære nevrale nett til å bestemme mettet infiltrasjonsrate. En innledende analyse gjør det tydelig at store romlige og temporale variasjoner i infiltrasjonsrate gjør manuelle infiltrasjonsmålinger vanskelige, og det virker lite hensiktsmessig å fastsette en absolutt infiltrasjonsrate for et gitt punkt. Døgnsvingninger i temperatur kan bestemme om infiltrasjonsraten i et punkt tilsvarer det lokale 15-minuttersnedbøret med 5-års eller 100-års gjentaksintervall. Majoriteten av de analyserte infiltrasjonsmålingene hadde verdier på mellom 10 og 30 cm/t, men det var også ekstreme verdier på 2,3 og 195 cm/t. Analysen viser stor variasjon i MPD-målinger, mens dobbelringmålinger er mer pålitelige. For prediksjonen kombineres RGB- og NIR Sentinel 2-satellittbilder fra en lengere tørkeperiode i Oslo sommeren 2018, med en punktsky med høydemålinger. Punktskyen interpoleres til bilder, som igjen kategoriseres i fire infiltrasjonsklasser av et konvolusjonært nevralt nett. Videre kombineres resultatet fra denne klassifikasjonen med nærliggende piksler fra satellittbildene, og en ny prediksjon gjøres med et kunstig nevralt nett. Den avhengige variabelen i de nevrale nettene er et løsmassekart med typologiske infiltrasjonsrater. Resultatene viser en tydelig sammenheng mellom satellittbildene, punktskyen og infiltrasjonsrate, med en prediksjonspresisjon på 56% mellom fire kategorier. Bedre resultater burde være oppnåelige hvis prediksjonen baseres på manuelle infiltrasjonsmålinger og kovariater med høyere oppløsning. Metodens praktiske bruksområder er for øyeblikket begrenset av det store behovet for både mengden og kvaliteten på tilgjengelig treningsdata.

In this paper, the quality of conventional infiltration methods is analysed, and an alternative method, using convolutional neural networks to estimate saturated infiltration rate, is proposed. Significant spatiotemporal variations in saturated infiltration rate create difficulties for manual infiltration measurements. It thereforeTherefore, it seems impractical to assign a specific infiltration rate to any given point. Diurnal temperature variations can decide if the infiltration rate of a point is equivalent to the maximum 15-minute precipitation with a 5-year or 100-year return period. The majority of the analysed infiltration measurements showed values between 10 and 30 cm/h, with extreme values of 2.3 and 195 cm/h. The analysis shows large variations in MPD measurements, whilst double ring measurements are more reliable. The data from which the prediction is done consists of RGB and NIR Sentinel 2 satellite images from an extended dry period in the summer of 2018 in Oslo and a point cloud of topological data. The point cloud is interpolated into images, which are used by a convolutional neural network to make infiltration predictions. These predictions are used together with the Sentinel 2 images in an artificial neural network for the final prediction. The dependent variable for the neural networks is a sediment map with typological classes of infiltration rates. The results show a significant correlation between the satellite images, the point cloud, and the infiltration rates, with a mean precision of 56% between the four categories. Higher accuracies should be obtainable through the use of manual infiltration measurements and higher resolution covariates. The current viability of the method for practical purposes is limited due to the required quality and quantity of training data.