Johannes Voll Kolstø

Det er i dag 193 brann- og redningsvesen som dekker den lokale grunnberedskapen i hele Norge. Disse er dimensjonert etter kommunenes risiko- og beredskapsanalyser ved dagens forhold. Samtidig forventes det at klimaendringene vil gi nye utfordringer: lange tørkeperioder kan føre til store og samtidige skogbranner, slik som vi så i tørkesommeren 2018. Våtere og villere klima gir likeledes økende fare for kraftig vind, flom og skred. Å skalere opp hvert enkelt brannvesen til å kunne håndtere et slikt risikobilde vil være kostnadskrevende, og for de mange små kommunale brannvesen en lite hensiktsmessig måte å møte utfordringene på. BRACE-prosjektet har som hensikt å ta tak i disse utfordringene og utvikle et praktisk, datadrevet rammeverk for samhandling om deling av ressurser ved store og samtidige hendelser. Dette rammeverket skal 1) gi bedre situasjonsforståelse ved å bruke lokale data om risiko, 2) fastsette ressursbehov basert på risiko for mer treffsikker daglig planlegging og 3) sikre en rettferdig og objektiv fordeling av ressurser i krisesituasjoner gjennom kvalitativ analyse av hva som kjennetegner vellykket ressursdeling. I prosjektet har vi valgt å fokusere spesielt på skogbrann og skred. Her presenterer vi vårt arbeid med å skape en nasjonalt dekkende risikomodell for skogbrann som hensyntar lokale forhold som kan ha betydning for antennelsesfare. Vi tar utgangspunkt i dagens skogbrannfarekart produsert av MET, som igjen bygger på toppen av Canadian Fire Weather Index (FWI) og kan si noe om hvilke værforhold som påvirker skogbrannfaren. Denne modellen kobles så med en database av utrykninger til brann i kategoriene «skog/utmark» og «gress/innmark». Disse historiske hendelsene vil være med på å si noe om betydningen av andre lokale forhold som vegetasjon og befolkningstetthet eller andre datakilder som kan være av betydning for antennelsesfare.

Norsk Regnesentral har etablert en statistisk risikomodell for vannskader etter overvannsflom på bygninger i Norge. Modellen kobler forsikringsdata fra Gjensidige sammen med nedbørdata fra seNorge og annen lokal eksponeringsinformasjon. Vi finner at risikoen for vannskader lar seg beskrive gjennom sesongvise mål på mengde kraftig nedbør og avvik fra typisk kraftig nedbør. Kombinert med klimaframskrivninger levert av Norsk Klimaservicesenter simulerer modellen forventede endringer i skadebeløp fra referanseperioden 1991–2020 til to framtidige scenarioperioder under et lavt, middels og høyt utslippsscenario for CO2. På nasjonalt nivå antyder simuleringene en økning på opptil 33 % fram mot slutten av århundret. Skadeframskrivningene er følsomme for variabiliteten i klimaframskrivningene, og vi anbefaler å utvise forsiktighet med bruk av lave og høye kvantiler av endringene i skadebeløp på kommune- og fylkesnivå.

Norsk Regnesentral har i samarbeid med Soundsensing gjennom IPN-prosjektet EarOnEdge anvendt endringsdeteksjon på vibrasjonsdata, i den hensikt å klassifisere kjøremønsteret og avvik for teknisk utstyr brukt i større kommersielle bygg. Som en komponent av dette arbeidet har Norsk Regnesentral utviklet den åpne pakken "Skchange", som tilbyr et bredt utvalg av endringsdeteksjonsalgoritmer via et "Scikit Learn"-kompatibelt API. Denne pakken er tatt i bruk av "Soundsensing", og satt i produksjon på flere av deres enheter.

Statistisk sentralbyrå (SSB) publiserer månedlig statistikk over utenrikshandel med varer (UHV). Formålet med statistikken er å gi en oversikt over varestrømmene mellom Norge og utlandet. Eksport og import av varer er sentrale størrelser i det samfunnsøkonomiske bildet, og følgelig er det viktig at statistikken som publiseres er presis. Norsk Regnesentral (NR) har analysert tolldata på import av varer fra TollVesenets INformasjonssystem med Næringslivet (TVINN). Alle importerte varer registreres gjennom en varelinje, med et varenummer som beskriver varetypen fra Tolltariffen, og feil varenummer er en vanlig feiltype. I en del tilfeller innebærer en slik feilregistrering manglende samsvar mellom varenummer og varebeskrivelsen. I dette prosjektet har vi brukt en språkmodell til å innkode varebeskrivelsen, et fritekstfelt, for så å predikere varenummeret til en varelinje ved hjelp av logistisk regresjon. I tillegg har vi eksperimentert med å bruke gradientforsterkede tremodeller til samme formål, basert på andre felt fra hver varelinje. Disse modellene er trent på varelinjer fra enten 2017 - 2021, eller 2020 - 2023, som er kontrollert og har fått varenummeret sitt korrigert. Ved å teste modellene på uavhengige testdata fra 2024, finner vi at modellene tilpasset varebeskrivelsene oppnår en rimelig høy treffsikkerhet, med en treffsikkerhet på ca. 65% for tekstmodellen tilpasset varelinjer fra perioden 2020 - 2023, evaluert på litt over 24 tusen korrigerte varelinjer. De gradientforsterkede tremodellene har ikke oppnådd tilsvarende ytelse, med en maksimal treffsikkerhet på ca. 11%, antageligvis delvis grunnet overtilpasning til treningsdataene.