Prosjektet GEObyIT adresserer behovene til to avdelinger i Oslo kommune (Direktoratet for beredskapsplanlegging og Vann- og avløpsetaten) for å vurdere naturlige (f.eks. jordskjelv, skred) og menneskeskapte hendelser (f.eks. eksplosjoner, ulykker) i et bymiljø.
Som en del av arbeidspakke 1 utplasserte vi opp til 12 seismiske sensorer på forskjellige steder i Oslo kommune. Sensorene ble koblet til for dataoverføring i sanntid og fjernvedlikehold. Sensorene ble plassert i kjelleren i private bedrifter, private hus og offentlige skolebygninger. Den første batchen med 4 sensorer ble utplassert med tett layout i et område med kvikkleire i undergrunnen på Østlandet (Alna) for å muliggjøre strukturell overvåking nær overflaten ved hjelp av omgivelsesstøy og deteksjon av mulige bevegelser. Flere sensorer ble utplassert nærmere sentrum og på vestkant av Oslo, nær undergrunns sprengningsområder (ny Fornebu t-ban tunnel, ny vannforsyningstunnel).
Dataanalyse ble gjort ved hjelp av tre tilnærminger: (1) automatisk deteksjon av t-banetog, (2) automatisk identifisering av hendelser som konstruksjons- og gruveeksplosjoner, og (3) støyinterferometri for å overvåke den nærliggende undergrunnen i et område med kvikkleire.
Vi bruker en veiledet maskinlæringsmetode trent med visuelt identifiserte seismiske signaler på tre sensorer fordelt langs et travelt T-bane spor (1). Anvendelse på kontinuerlige data tillot oss å pålitelig oppdage tog og deres retning, uten falske alarmer. Denne tilnærmingen er nyttig for å sortere ut kjente repeterende seismiske signaler og for å overvåke trafikken i et bymiljø.
I tilnærming (2) tar vi sikte på å oppdage uvanlige seismiske hendelser ved hjelp av en outlier deteksjonsmetode. En konvolusjonell autoencoder ble trent til å rekonstruere signalet og oppdage anomalier. Fra flere anleggssprengningsområder velger vi deretter en klynge med mest aktivitet på vestkant av Oslo og trener en overvåket klassifiseringsmetode som skal brukes til å oppdage lignende hendelser i kontinuerlige data. Vi har også implementert en Dashboad løsning for å visualisere detekterte hendelser i sanntid.
Til slutt bruker vi seismisk støyinterferometri på nærliggende sensorpar for å måle tidsvariasjoner i den grunne grunnen (3). Vi observerer klare seismiske hastighetsvariasjoner i perioder med sterk frost hver vinter mellom 2021 og 2024 og tydelig endring i sammenheng med uværet Hans i sommer 2023. Vi observerer også hastighetsvariasjoner som korrelerer med grunnvannstanden gjennom året. Dette åpner for potensialet til å oppdage også ikke-sesongmessige endringer i bakken, for eksempel knyttet til ustabilitet i kvikkleireavsetninger i Oslo kommune.
Som en del av andre arbeidspakken ble det gjennomført feltarbeidsbasert datainnsamling i 2022. Forkastnings- og bruddata ble samlet inn fra utvalgte områder i Oslo-regionen nær eksisterende eller planlagte jernbane- og vegtunneler, med sikte på å vurdere det prediktive potensialet av topografiske lineamenter for å identifisere «god» og «dårlig» stein og for eksempel å forbedre plassering og planlegging av fremtidige tunnelprosjekter. Videre undersøkte vi områder med kjente forkastningsstrukturer for å begrense bedre deres overflateplasseringer og overflateuttrykk.
I 2023-2024 ble det videre arbeidet med å analysere forholdet mellom topografisk lineament og deres mulige kobling til undergrunns strukturer ved å benytte et stort datasett fra norske vegtunneler, og feltarbeidsdata samlet inn i løpet av året før. I tillegg ble metoder som ofte brukes i bildeprosessering og seismologi brukt for å bestemme lineamentfordeling og sammenligne funnene med resultater fra eksisterende programvare utviklet av NGU.
I WP3 er vi interessert i å beregne den seismiske risikoen for Oslo, og der trenger vi informasjon om fare, sårbarhet og eksponering. I løpet av 2021 og 2022 var eksponeringsmodellen definert for Oslo ved å identifisere hovedbygningstypologiene i byen gjennom feltarbeid i spesifikke områder vinteren 2020-2021. For å kartlegge bygningstypologiene for hele Oslo (rundt 135.000 bygninger) brukte vi et Convolutional Neural Network for å klassifisere automatisk hver bygning basert på fasadebilder tatt fra in-situ feltarbeid og fra Google Street View bilder. I løpet av våren og sommeren 2021 ble seismiske målinger gjennomført i enkelte områder i Oslo for å estimere gjennomsnittlig skjærbølgehastighet i de øvre 30 meter av bakken.
I 2022 og 2023 var det gjort mye for å forbedre forståelsen av sårbarhet, det vil si manglende evne hos et analyseobjekt til å motstå virkninger av en uønsket hendelse og til å gjenopprette sin opprinnelige tilstand eller funksjon etter hendelsen. I praksis betyr det at en omfattende seismisk risikoanalyse ble utviklet for Oslo. Prosjektet ble offisielt avsluttet med en konferanse ettermiddag med stor deltakelse av Oslo kommune og alle involverte forskere. Det jobbes med nye ideer for en fortsettelse av prosjektet i nye retninger.
We delivered real-time classification of urban seismic events as a new data layer available to city authorities. The impact of this new technological development is expected to be substantial since it supports the “sustainable cities and communities” U.N. goals, the smart-city goal of providing good quality of life and is in line with laws prohibiting usage of “sensitive data”.
As a result, the municipality of Oslo has now submitted a follow-up SmartOslo proposal to implement our findings towards operational phase. We are also in discussions with other cities such as Hamburg in Germany, where similar applications may lead to more security of handling of geohazards.
We are further in dialogue with the municipalities about mapping and tracking changes in the water flow in the urban sewage system that can be a result of flooding events. The knowledge of surface features and location of seismic vibrations provided by this project can help to predict and detect such events and hence provide shorter response times.
Results from these studies 1) on automatic detection of urban seismicity, 2) new potential quick clay monitoring approaches, 3) ML-based classification of buildings for geohazard risk mitigation, 4) seismic hazard and risk study for Oslo, are now some of the published outcomes from this project, all in peer reviewed journals.
We propose to develop and implement an autonomous, intelligent system for real-time monitoring and multi-risk assessment in urban areas using seismic, acoustic, and remote sensing data. The project GEObyIT addresses needs of two departments of the Oslo municipality. The Emergency Department requires improved capabilities for infrastructure monitoring and detection of unusual events such as accidents, explosions, and crimes based on data collected in line with the General Data Protection Regulation that prohibits usage of “sensitive data”. The Water and Sewage Department is currently involved in building a tunnel for securing the freshwater supply in Oslo. This requires improved mapping of surface features and monitoring for small earthquakes or other events which might be able to affect water flow paths. GEObyIT will address both needs by producing new layers of information based on seismic, acoustic, and remote sensing data, which will help to quickly locate incidents and other urban events, ready to be integrated into the existing alertness plan of the city, and to identify and classify potentially hazardous features on the Earth’s surface. While the employed data sets are different in nature, each serves the purpose of risk assessment and the proposed automatic processing pipelines will use a common methodological approach based on Machine Learning. The final product of GEObyIT will be tools for urban real-time alert and risk assessment, including hazard maps for predictive and operational purposes and a dashboard-like webpage including real-time location maps of events. This concept of providing novel data layers for future city management is extremely ambitious, but there is a huge potential to yield major gains and radical breakthroughs, including knowledge transfer and applicability on the global scale. The societal impact of these new layers is broad, for example by improving emergency response of the city authorities in case of accidents and crimes.
