[論文レビュー] A Machine learning approach for rapid disaster response based on multi- modal data : The case of housing & shelter needs

Karla Saldaña Ochoa, Maria Colomba Comes|arXiv (Cornell University)|Jul 29, 2021

Disaster Management and Resilience参考文献 23被引用数 6

ひとこと要約

本論文は、衛星画像、人口統計、テキスト災害レポートといったマルチモーダルデータを、ラテン統合と自己組織化マップ（SOM）を用いて統合する機械学習ワークフローを提案する。自然災害後の避難所および住宅需要を予測することを目的としており、202件の世界的な災害で訓練されたモデルは、死亡者数、被災者数、被害額の予測において62–63％の精度を達成した。また、文脈に応じた避難所推薦も提供している。

ABSTRACT

Along with climate change, more frequent extreme events, such as flooding and tropical cyclones, threaten the livelihoods and wellbeing of poor and vulnerable populations. One of the most immediate needs of people affected by a disaster is finding shelter. While the proliferation of data on disasters is already helping to save lives, identifying damages in buildings, assessing shelter needs, and finding appropriate places to establish emergency shelters or settlements require a wide range of data to be combined rapidly. To address this gap and make a headway in comprehensive assessments, this paper proposes a machine learning workflow that aims to fuse and rapidly analyse multimodal data. This workflow is built around open and online data to ensure scalability and broad accessibility. Based on a database of 19 characteristics for more than 200 disasters worldwide, a fusion approach at the decision level was used. This technique allows the collected multimodal data to share a common semantic space that facilitates the prediction of individual variables. Each fused numerical vector was fed into an unsupervised clustering algorithm called Self-Organizing-Maps (SOM). The trained SOM serves as a predictor for future cases, allowing predicting consequences such as total deaths, total people affected, and total damage, and provides specific recommendations for assessments in the shelter and housing sector. To achieve such prediction, a satellite image from before the disaster and the geographic and demographic conditions are shown to the trained model, which achieved a prediction accuracy of 62 %

研究の動機と目的

• 災害対応における迅速かつデータドリブンな意思決定の課題、特に避難所および住宅需要の分野に対処すること。
• 単一モダリティのデータやソーシャルメディアに依存する既存の災害対応システムの限界を克服すること。これらは誤情報の影響を受けやすい。
• 過去の災害から学習可能なスケーラブルでオープンデータベースのフレームワークを構築すること。
• 歴史的災害パターンに基づいて、避難所および住宅分野のための実行可能で文脈に特化した提言を提供すること。
• マルチモーダルデータに対する非教師あり学習の可能性を示し、災害影響の予測と運用意思決定支援を可能にすること。

提案手法

• EM-DATの災害記録、災害発生前の衛星画像、人口統計・地理的統計といったオープンでオンラインのデータソースを活用した。
• 各モダリティからの特徴抽出：自然言語処理（NLP）によるテキスト記述の処理、リモートセンシング技術による衛星画像の処理、標準化による統計データの処理。
• 特徴レベルの正規化を実施し、すべてのモダリティがラテン統合においてバランスの取れた寄与を果たせるようにした。これにより、各モダリティを共通の数値ベクタ空間に変換した。
• 自己組織化マップ（SOM）—非教師ありクラスタリングアルゴリズム—を用いて、マルチモーダル特徴の類似性に基づき災害をグループ化した。
• 2010年から2019年までの202件の歴史的災害を用いてSOMを訓練し、死亡者数、被災者数、被害額、空間的リスク要因のパターンを学習した。
• 訓練済みSOMを用いた推論：新規の災害事例（例：2020年の事例）を最も類似したクラスタに割り当て、関連する避難所推薦を取得した。

実験結果

リサーチクエスチョン

• RQ1 意思決定レベルでのマルチモーダルデータ統合が、死亡者数や被害額といった災害影響の予測精度を向上させることができるか？
• RQ2 歴史的災害データに対する非教師あり学習が、避難所および住宅需要に対する迅速で実行可能な提言をどの程度支援できるか？
• RQ3 人口統計、地理的要因、災害発生前の空間的特徴が、災害対応予測におけるクラスタリング結果にどのように影響を与えるか？
• RQ4 オープンデータで訓練されたモデルが、人道的意思決定者に対して信頼性があり、スケーラブルでアクセス可能な支援をリアルタイムで提供できるか？
• RQ5 衛星画像と都市リスクインデックスは、モデルの予測性能および解釈可能性を向上させる役割を果たすか？

主な発見

• 訓練データでは62％、2020年の検証データでは63％の予測精度を達成し、災害影響予測の堅牢性を示した。
• クラスタリングにおいて最も影響力の大きかった特徴は、死亡者数、被災者数、被害額（米ドル）、グローバル都市リスクインデックス（経済的および死亡リスク）、セクターの標高、建設部門の価値増加、および周辺行政区域の人口／面積であった。
• 衛星画像から抽出された都市特徴が、災害の深刻度および空間的文脈を区別する能力において、モデルに顕著な貢献をした。
• 訓練済みSOMは、新規の災害事例を類似した歴史的事例に正確にマッピングでき、文脈に応じた避難所および住宅推薦の取得に成功した。
• 統一された意味的表現を通じて、意思決定者が過去の災害から得た教訓を統合的にアクセスできるため、組織間の学習を支援する。
• 異種のデータを1つの解釈可能な意思決定空間に変換することで、迅速な状況認識を可能にし、運用用途に適した統合的アプローチを実現した。