Sään aiheuttamien vahinkojen ennakointi paranee
Poikkeuksellisen kattava säävaikutustietokanta auttaa ennakoimaan sääilmiöiden vaikutuksia koneoppimista hyödyntäen. SILVA-projektin ansioista esimerkiksi pelastuslaitos ja energianhuolto pystyvät varautumaan sään aiheuttamiin vahinkoihin aiempaa paremmin.
Moni varsinaissuomalainen muistaa keväisen lumimyräkän 5. huhtikuuta 2022. Kattopellit saivat kyytiä, puita kaatui sähkölinjoille ja pelti rytisi teillä. Varsinais-Suomen alueella pelastuslaitoksella oli myräkästä johtuen hoidettavanaan 31 liikenneonnettomuustehtävää ja 27 muuta vahingontorjuntatehtävää.
Varautuminen ei kuitenkaan enää tällä kertaa perustunut muistinvaraiseen kokemustietoon sääilmiöiden vaikutuksesta, vaan koneoppimista hyödyntäen tulevat vahingot osattiin ennustaa hyvinkin tarkasti.
Ennusteen kehittyminen on osa Huoltovarmuuskeskuksen ja Ilmatieteen laitoksen SILVA-projektia. Varsinais-Suomen aluepelastuslaitoksella oltiinkin yllättyneitä, miten tarkan ennusteen SILVA:ssa kehitetty koneoppimiseen pohjautuva menetelmä antoi.
“SILVA:n ennustekartat näyttivät, että meillä olisi 30−40 vahinkotapahtumaa myrskyn seurauksena niin vahingontorjunnassa kuin liikenneonnettomuuksissa. Eli ennusteet osuivat nappiin. SILVA:n vaikutusennusteet ovat muulloinkin olleet todella tarkkoja. Tällainen tieto on juuri sitä, mitä olemme kaivanneet ja josta on meille paljon hyötyä käytännön työssä. Ei tarvitse tehdä suunnitelmia mututuntuman perusteella”, Varsinais-Suomen aluepelastuslaitoksen aluepalopäällikkö Sebastian Holm sanoo.
SILVA-tietokanta sisältää myös tilastotietoa esimerkiksi maastopaloista sekä työmatkojen liukastumistapaturmista. Niinpä myös näitä tapahtumia voidaan ennakoida koneoppimisen avulla.
Reaaliaikainen tieto auttaa varautumaan
Ennustettavuutta sääilmöiden seurauksiin on kaivannut myös Järvi-Suomen Energian kehityspäällikkö Tomi Öster.
“Vaikka myrskyjen aiheuttamat haitat sähkönjakeluun ovat nykyisin huomattavasti pienemmät kuin aiemmin, meillä on silti edelleen kymmeniä tuhansia kilometrejä ilmajohtoverkkoa Suomessa. Ne ovat äärimmäisissä sääoloissa aina vaarassa vaurioitua”, Tomi Öster sanoo.
Tarkkoja ennustemalleja sääilmiöiden vaikutuksesta voi hyödyntää käytännössä esimerkiksi pelastuslaitoksen johto- ja tilannekeskuksen työvuoroja ja miehitystä suunnitellessa sekä vastaavalla tavalla sähköyhtiöiden resursseja miettiessä.
“Ja vaikka kalustoa on aina saman verran käytettävissä, esimerkiksi autojen määräaikaishuollot ja katsastukset voidaan nyt ajoittaa aiempaa fiksummin. Samoin kuin erilaiset etukäteen suunnitellut harjoitukset”, Holm sanoo.
Maailmanmittakaavassa ainutlaatuista dataa
SILVA:ssa vaikutusennuste esitetään havainnollisesti maakuntatason kartoilla numeroin ja värikoodein liikennevalojen tapaan. Tällä hetkellä ennusteet ulottuvat viiden päivän päähän. Lisäksi SILVA-projektiin osallistuvat näkevät myös karttamuodossa reaaliaikaisen ja menneen säätilanteen sekä joitain tosiaikaisia vahinkotapahtumia.
“SILVA-tietokantaa hyödyntäen voimme kehittää erilaisia sääturvallisuustuotteita ja palveluja eri toimijoille. Tästä on laajasti hyötyä koko yhteiskunnalle ja sen toimivuudelle maalla, merellä ja ilmassa. SILVA-projektissa uuden sukupolven sääturvallisuustuotteita testaa 40 eri organisaatioita pelastusalalta energiahuoltoon, finanssialaan ja liikenteeseen”, SILVA-projektin päällikkö Ari-Juhani Punkka Ilmatieteen laitokselta sanoo.
Perinteisesti säätiedon käyttäjien käsitys sääolosuhteiden vaikutuksesta on perustunut pitkälti kokemusperäiseen tietoon. SILVA vahvistaa tietoon perustuvaa päätöksentekoa, jolloin varautumiseen tarvittavien resurssien käyttö tehostuu. Lisäksi SILVA-tietokanta on maailmanmittakaavassakin ainutlaatuisen laaja ja vaikutustietovalikoimaltaan monipuolinen.
Täsmentyvä tieto auttaa varautumaan myös ilmastonmuutoksen vaikutuksiin
Miten koneoppiminen sitten tapahtuu?
“Kaiken perusta on vaikutustietokanta, joka sisältää säähän liittyviä vaikutustapahtumia useamman vuoden ajalta. Ja esimerkiksi juuri pelastuslaitoksen ja sähköyhtiöiden vahingontorjuntatietoja sekä vaikkapa vakuutusyhtiöiden vahinkotapahtumien ajankohtia ja lukumääriä”, Ari-Juhani Punkka sanoo.
Tekoäly tutkii valtavan määrän vaikutustapahtumia sekä niiden aikana vallinneita sääolosuhteita ja näin saadaan selville syy-seuraus-suhteita: tietynlaiset olosuhteet aiheuttavat tietynlaisia vahinkoja, kustannuksia ja ongelmia.
“Koneoppimismenetelmien tuottamat ennusteet täsmentyvät koko ajan, kun saadaan uutta vaikutusdataa vanhan lisäksi“, Punkka sanoo.
Osa äärimmäisistä sääilmiöistä yleistyy tai voimistuu ilmastonmuutoksen vaikutuksesta. Jos tiedonkeruuta jatketaan tulevinakin vuosina, SILVA-tietokannan avulla pystytään paremmin ennakoimaan muuttuvan ilmaston aiheuttamia riskejä ja vaikutuksia.
“Huoltovarmuuskeskus haluaa olla tukemassa tällaista työtä sillä jatkossa säätiedon ja vaikutustiedon yhdistäminen on entistäkin tärkeämpää kaikkien huoltovarmuudelle kriittisten toimijoiden, yritysten ja elinkeinoelämän varautumisessa. Yhtä lailla myös kansalaiset voivat hyödyntää tietoa”, Huoltovarmuuskeskuksen varautumispäällikkö Tapio Tourula sanoo.
Logistiikka 2030 ja SILVA-projekti
- Logistiikka 2030 on Huoltovarmuuskeskuksen (HVK) kehitysohjelma, joka vahvistaa Suomen kriittistä logistista infrastruktuuria sekä logistiikkapalveluiden toimintakykyä ja -edellytyksiä vakavien kriisien varalta.
- Yksi Logistiikka 2030 -ohjelman projekteista on SILVA-projekti, jonka tavoitteena on kehittää koneoppimista hyödyntäen säävaikutustietokanta. Tietokanta auttaa ennakoimaan äärimmäisten sääilmiöiden vaikutuksia ja auttaa eri toimijoita varautumaan sään aiheuttamiin vahinkoihin.
- HVK:n rahoittaman SILVA-projektin toteuttaa Ilmatieteen laitos 40 eri organisaation kanssa.
Teksti: Leena Filpus / Kuvat: Järvi-Suomen Energia (pääkuva), Ilmatieteen laitos ja Varsinais-Suomen pelastuslaitos (maastopalokuva)
