Project title: Mass movement Early Warning System (MEWS) for early detection of landslides, rockfalls and avalanches
Acronym: MEWS
MEWS : ctr. 190/30.09.2020 EUROSTARS-2019-E!114129-MEWS,
30.09.2023 ;
The total value of the contract: 3066350Lei / 633.608,00 Euro
Contract number: 190/30.09.2020
Project title in RO: SISTEM DISTRIBUIT, SCALABIL ȘI EFICIENT DE AVERTIZARE TIMPURIE A ALUNECĂRILOR DE TEREN ȘI AVALANȘELOR
Project leader: BEIA Consult International
Project Partners:
- AMPLIA (Spain)
- Spordata AS (Norway)
- NGI (Norway)
The project aims to develop a scalable Mass movement Early Warning System (MEWS) for early detection of landslides, rockfalls and avalanches. It will collect large amounts of data from an array of field-deployed, wireless, low cost and self-powered IoT Devices, hosting many sensor types. The data will feed a cloud based system and use machine learning for fast processing and decision making. We will deliver a prototype of such a system to demonstrate its potential in the case of avalanche detection.
Mass movements, like landslides or avalanches, pose dramatic risks to individuals, populated areas, and critical transportation infrastructure. IoT technology provides the opportunity to develop an early warning system predicting the probability of an event with sufficient accuracy to help mitigate the consequences. Reducing risk reduces cost – both in terms of societal exposure, but also in material damages.
Mass movements are relatively common natural events, however they result in human casualties and enormous property damage worldwide. Costs are incalculable, but likely amount to billions of euros every year. MEWS offers the potential for a huge reduction in losses. We are convinced that there is the opportunity for revenue and profit by providing this solution to governments, local municipalities and private entities.
[EN] Phases and activities
• Phase 1 (2020) Study of early warning systems for landslides and avalanches
o A1.1 SotA (State of the Art) study on technologies used to implement landslide and avalanche early warning systems (SATATA)
o A1.2 Defining the technical-functional requirements of SATATA
Results
During Phase 1 of the project, two aspects were discussed:
1. A SotA (State of the Art – Knowledge Level) study was conducted on the technologies used for the implementation of early warning systems for landslides and avalanches (SATATA) presenting various aspects of them such as:
a. databases specific to the current avalanche phenomena
b. functional or experimental avalanche prediction systems
c. Artificial intelligence (AI) techniques used in the prediction of snow avalanches
d. landslide monitoring and early warning system
2. The technical-functional requirements of SATATA were defined as well as different types of sensors that could be used in the project; various aspects of data modeling and processing were also discussed.
• Phase 2 (2021) Designing the system architecture, developing the software modules and integrating them into the OpenGate platform
o A2.1 Design of the general architecture and block diagram of SATATA
o A2.2 Development of software applications for the interpretation and processing of data collected by SATATA
o A2.3 Development of software modules (artificial intelligence, machine learning and statistical analysis) and integration in the OpenGate platform
• Phase 3 (2022) Realization and testing of the prototype in the laboratory and in the field
o A3.1 Complete software applications by integrating IoT device location, alarms and automatic reporting
o A3.2 Development of algorithms to verify system integrity
o A3.3 Performing performance tests and hardware and software optimizations based on test data in different working modes
• Phase 4 (2023) Carrying out possible hardware and software optimizations and communication and dissemination activities
o A4.1 Final testing and validation of the system
o A4.2 Market study, definition of business models, coordination, communication, dissemination and promotion of the MEWS project
o Activity 4.3 Dissemination of project results – correlated with T6.1
[RO] Etape si activitati
- Etapa 1 (2020) Studiul sistemelor de avertizare timpurie a alunecărilor de teren și avalanșelor
1. Studiu SotA (State of the Art) privind tehnologiile utilizate pentru realizarea sistemelor de avertizare timpurie a alunecărilor de teren și avalanșelor (SATATA)
2. Definirea cerințelor tehnico-funcționale ale SATATA
Rezultate
În cadrul Etapei 1 a proiectului au fost discutate două aspecte:
- S-a realizat un studiu SotA (State of the Art – Definirea nivelului de cunoaștere) privind tehnologiile utilizate pentru realizarea sistemelor de avertizare timpurie a alunecărilor de teren și avalanșelor (SATATA) prezentându-se diferite aspecte ale acestora cum ar fi:
- baze de date specifice fenomenelor de avalanșă existente în momentul de față
- sisteme funcționale sau experimentale de predicție a avalanșelor
- tehnici de inteligenta artificiala (AI) utilizate în predicția avalanșelor de zăpadă
- monitorizarea alunecarilor de teren și sistemul de avertizare timpurie
S-au definit cerințelor tehnico-funcționale ale SATATA precum și diferite tipuri de senzori care ar putea fi utilizați în cadrul proiectului; de asemenea s-au discutat diferite aspecte cu privire la modelare și prelucrare a datelor.
- Etapa 2 (2021) Proiectarea arhitecturii sistemului, realizarea modulelor software și integrarea în platforma OpenGate
1. Proiectarea arhitecturii generale și schemei bloc a SATATA
2. Elaborarea aplicațiilor software pentru interpretarea și prelucrarea datelor colectate de SATATA
3. Dezvoltarea modulelor software (inteligență artificială, învățare automată și analiză statistică) și integrarea în platforma OpenGate
Rezultate
1. În cadrul acestei activități am prezentat principalele caracteristici ale arhitecturii SATATA și am prezentat componentele din punct de vedere al caracteristicilor tehnice și componentele funcționale ale acestei arhitecturi.
Scopul acestei activități este de a prezenta motorul de detecție a evenimentelor naturale nedorite (spre exemplu avalanșe de zăpadă) astfel încât acesta să funcționeze cât mai optim.
În cadrul acestei secțiuni am discutat diferitele componente care trebuie luate în considerare în construirea unei arhitecturi bazată pe algoritmi de Învățare Automată care are scopul de a avertiza asupra unui eveniment natural nedorit.
Această secțiune prezintă totodată funcționalitățile dorite din partea sistemului dezvoltat.
De asemenea am discutat despre operațiile de preprocesare și validare necesare înainte de a aplica algoritmii de Învățare Automată.
Totodată mai înainte a fost prezentat fluxul de analiză de date și predicție a evenimentelor cu scopul de a prezenta toate operațiile necesare asupra datelor colectate.
2. În cadrul acestei activități am prezentat care sunt principalii algoritmi de Învățare Automată utilizați în prezent.
Scopul acestei activități a fost acela de a prezenta caracteristicile, cât și modul de implementare în Python a algoritmilor de machine learning amintiți. În cadrul acestei activități au fost analizate posibilele implementări în Python de algoritmi de Învățare Automată. Fiecare algoritm a fost mai întâi descris ca și principiu de funcționare și apoi secvențe de cod Python au fost adăugate pentru a demonstra cum se pot dezvolta în cadrul proiectului MEWS funcționalitățile dorite.
3. În cadrul acestei activități au fost prezentate arhitectura și funcționalitățile platformei OpenGate. Din descrierea acestei platforme se poate deduce modul de colectare a datelor de la senzori și cum pot fi preluate aceste date din platforma OpenGate pentru a implementa funcționalitățile de Machine Learning.
- Etapa 3 (2022) Realizarea și testarea prototipului în laborator și în teren
1. Finalizarea aplicațiilor software prin integrarea localizării dispozitivelor IoT, alarmelor și raportărilor automate
2. Realizarea algoritmilor pentru verificarea integrității sistemului
3. Realizarea testelor de performanță și optimizări hardware și software pe baza datelor obținute la testare în diferite moduri de lucru
Rezultate
1. În prima parte din cadrul acestei secțiuni am făcut o scurtă prezentare a stadiului cercetării în domeniul predicției și detecției riscului de avalanșă. În continuare a fost descris sistemul de dispozitive IoT, cu detalii privind amplasarea, configurarea instalarea și exploatarea acestora. În ultima parte sunt analizate seturile de date furnizate în prima parte a anului (ianuarie – iunie), mai precis variația parametrilor temperatura aerului și a solului, presiunea și umezeala aerului, grosimea stratului de zăpadă, și deplasarea straturilor de zăpadă. În Anexa 1 reprezentările grafice ale acestor variații sunt comentate în raport cu nivelurile de risc evaluate în această perioadă și la nivelul diferitelor stații.
2. În această secțiune au fost prezentate metodele de machine learning utilizate pentru clasificarea datelor primite de la senzori în perioada 1 Decembrie 2021 – 23 Martie 2022. Având în vedere volumul mic de date au fost experimentate metode potrivite, rețele neuronale feedforward, arbori de decizie, metode de clustering, metode descrise în acest capitol. În material și în anexa 2 sunt prezentate și rezultatele obținute cu aceste metode, performanța generală maximă putînd atinge 80%. Însă una din probleme este rata mai scăzută de identificare pentru riscurile 1 și mai ales 4. Este adevărat, pentru aceste situații există foarte puține date, iar perioade cu risc 5 nu au fost înregistrate.
3. În această secțiune sunt trecute în revistă procedeele utilizate pentru realizarea testelor de performanță și de optimizare a algoritmilor. În principal sunt descrise metodele software pentru testarea și calibrarea algoritmilor software.
- Etapa 4 (2023) Realizarea optimizărilor hardware și software posibile și activități de comunicare și diseminare
1. Testarea finală și validarea sistemului
2. Studiul pieței, definirea modelelor de business, coordonare, comunicare, diseminare și promovare a proiectului MEWS
Rezultate
1. După ce inițial dispozitivele IoT au fost amplasate în locurile desemnate, acestea au transmis date pe parcursul a câteva luni, în perioada decembrie 2021 până în martie 2022. Din cauza unor neconcordanțe în seturile de date colectate de la senzori, începând cu luna octombrie 2022, aceștia au fost reconfigurați, iar colectarea datelor a fost realizată cu succes.
În ceea ce privește modelul final integrat în platforma OpenGate, au fost utilizate date din două intervale de timp: iarna anului 2022 și începutul iernii din 2023.
S-au efectuat teste cu mai mulți algoritmi de învățare automată supervizată, precum Xgboost, Support Vector Machines și Random Forest. Modelul final integrat în platforma OpenGate este cel bazat pe algoritmul Random Forest, care se remarcă prin o acuratețe aproape de 100%.
2. Au fost definite zonele in care sistemul MEWS poate fi instalat cu usurinta de o compannie specializata. S-a stabilit modul in care produsul va fi comercializat, precizandu-se de asemenea ca vor fi folosite protocoale si senzori specifici. De asemenea, au fost prezentate cateva concepte privind realizarea sistemului, perecizandu-se care vor fi caracteristicile tehnologiei.
In ultima parte a etapei au fost definite strategia de piata, proprietatea intelectuala cat si proiectiile financiare care sunt necesare dupa finalizarea proiectului MEWS.
Conferintele si articolele sustinute au fost de asemenea evidentiate.
Papers and publications
- Barbu, M., Radoi, A., & Suciu, G. (2020, June). Landslide Monitoring using Convolutional Autoencoders. In 2020 12th International Conference on Electronics, Computers and Artificial Intelligence (ECAI) (pp. 1-6). IEEE.
- MEWS-an IoT and Cloud-Based avalanche detection and prediction platform
George Valentin Iordache, George Suciu, Svetlana Segarceanu, Gabriel Petrescu, Robert-Ionut Vatasoiu, Luis Rodriguez, James Michael Strout, Pablo Vergara, Serban-Emanuel Calescu, Einar Nygard, Carlos Prados Hijón, Gaute Langaas - 2021 20th RoEduNet Conference: Networking in Education and Research (RoEduNet), 1-5, 2021
MEWS-a project for detecting and predicting avalanches
George Suciu, George Iordache, Dan Trufin, Svetlana Segarceanu, Gabriel Petrescu
EGU General Assembly Conference Abstracts, EGU21-8062, 2021 - Algorithms and parameters for avalanche prediction-a review
George Iordache, George Suciu, Dan Alexandru Trufin, Svetlana Segarceanu, Gabriel Petrescu - 2021 13th International Conference on Electronics, Computers and Artificial Intelligence (ECAI), 1-5, 2021
- Convolutional Neural Networks for Environmental Sound Recognition
Svetlana Segarceanu, George Suciu
2022 21st RoEduNet Conference: Networking in Education and Research (RoEduNet), 1-5, 2022 - S. Segarceanu, G. Suciu and I. Gavat, “Neural Networks for Automatic Environmental Sound Recognition,” 2021 International Conference on Speech Technology and Human-Computer Dialogue (SpeD), Bucharest, Romania, 2021, pp. 7-12, doi: 10.1109/SpeD53181.2021.9587378
Acknowledgement
This work was supported by a grant of the Romanian Ministry of Education and Research, CCCDI-UEFISCDI, project number EUROSTARS-2019-E!114129-MEWS, within PNCDI III