智能监控摄像头系统旨在识别城市水道中的阻塞物，可能在未来防止洪水方面发挥关键作用，研究人员指出。
由机器学习驱动的摄像头系统已被证明是洪水防御的高效和经济的方法，研究人员对此进行了演示。
巴斯大学的研究人员最近的发现表明，智能监控摄像头系统可以被编程以识别自然 debris、垃圾或废物，这些物质阻碍了涵洞中的垃圾筛网，这在防洪工作中至关重要。
涵洞在英国有超过一百万个地点，几乎所有城市环境中都必不可少，使得溪流和河流可以流经道路、铁路堤坝和建筑物之下。这使得它们成为城市水道和基础设施中一个不可或缺的，尽管常常被忽视的组成部分。垃圾筛网通常由杆组成，位于涵洞的开口处，以防止 debris 通过。
在涵洞内阻塞垃圾筛网可能导致迅速洪水。如果进入涵洞的水被阻碍，水会积聚并形成洪水，从而可能危及水道的结构完整性，并影响周围环境。
增强全球洪水防御能力
研究团队开发的机器学习模型正在引起包括南非在内的多个国家的洪水管理组织的关注，这些国家拥有监测系统，但缺乏必要的数据来训练人工智能执行类似的任务。
巴斯大学计算机科学讲师、气候适应与环境研究中心成员安德鲁·巴恩斯博士强调说：“我们开发了一个有效的模型，可以在问题升级之前识别阻塞物——这是主动的，并在洪水发生之前提醒当局。”
“我们的系统旨在适应性强且可扩展，使其适用于各种环境。这种灵活性允许它在洪水构成风险但创造地方解决方案的资源可能有限的国家中发挥作用。”
准确探测阻碍物
研究团队通过关注卡迪夫的一处涵洞，使用机器学习训练摄像头系统自主检测可能的阻塞物，达到近90%的识别这些危险的准确率。在英国，目前大部分涵洞监测都是手动进行的，当地当局需要观察多个监控摄像头的画面。
实施人工智能和机器学习的早期预警系统将使负责维护畅通水道的地方当局能够更有效地分配资源，并迅速而准确地应对阻塞问题。
系统的主动设计也提高了应急团队的安全性，使他们能够立即解决问题，而不是在危险的洪水情况下进行处理。
巴斯大学建筑与土木工程系的副教授，净积极世界再生设计与工程中心（RENEW）成员托马斯·凯尔森博士指出：“随着气候变化增加全球洪水风险，这项工作为城市地区创新、轻型和经济高效的洪水管理系统铺平了道路，使当局能够更好地适应气候挑战。这项研究标志着朝可持续洪水预测解决方案迈出的第一步，并为进一步研究打开了众多路径。”
