[論文レビュー] AI Increases Global Access to Reliable Flood Forecasts

Grey Nearing, Déborah Cohen+16 more|arXiv (Cornell University)|Jul 30, 2023

Flood Risk Assessment and Management被引用数 4

ひとこと要約

本論文では、グローバルな河川流出データを用いてトレーニングされた長短期記憶（LSTM）ネットワークを用いた深層学習ベースの洪水予測システムを提示する。このシステムは、流出計が設置されていない流域（未測定流域）においても、信頼性の高いリアルタイム洪水予測を提供する。0日先予測において、最新のGloFASシステムと同等またはそれ以上の性能を達成しており、極端な出来事象の予測においても、予測リードタイムと精度が向上している。

ABSTRACT

Floods are one of the most common natural disasters, with a disproportionate impact in developing countries that often lack dense streamflow gauge networks. Accurate and timely warnings are critical for mitigating flood risks, but hydrological simulation models typically must be calibrated to long data records in each watershed. Using AI, we achieve reliability in predicting extreme riverine events in ungauged watersheds at up to a 5-day lead time that is similar to or better than the reliability of nowcasts (0-day lead time) from a current state of the art global modeling system (the Copernicus Emergency Management Service Global Flood Awareness System). Additionally, we achieve accuracies over 5-year return period events that are similar to or better than current accuracies over 1-year return period events. This means that AI can provide flood warnings earlier and over larger and more impactful events in ungauged basins. The model developed in this paper was incorporated into an operational early warning system that produces publicly available (free and open) forecasts in real time in over 80 countries. This work highlights a need for increasing the availability of hydrological data to continue to improve global access to reliable flood warnings.

研究の動機と目的

• 流出計が設置されていない流域における洪水予測という、深刻な課題に取り組む。流出計データの欠如により、信頼性の高い予測が制限される。
• 長期間にわたり流域固有のキャリブレーションデータを必要とする従来の水文モデルの限界を克服する。
• 地域のキャリブレーションを必要とせず、多様な水文的レジームに一般化可能なスケーラブルでグローバルに適用可能なAIモデルを開発する。
• 洪水リスクが最も高いが、データアクセスが制限されている低・中所得国における早期警戒能力を向上させる。
• 現在の最先端のグローバルシステム、GloFASと比較して、性能と信頼性を検証するためのベンチマークを設定する。

提案手法

• 歴史的日常流出データを用いて、世界の5,680か所の河川流出計で長短期記憶（LSTM）再帰ニューラルネットワークをトレーニングする。
• モデルの一般化能力を評価するためにk分割交差検証を適用し、未測定流域におけるアウトオブサンプル性能を保証する。
• 観測済みおよびモデル化された流出曲線から導出されたリターン期間の閾値（1年、5年、10年、25年、50年、100年）を用いて、極端な出来事象を定義する。
• 各流出計およびリターン期間ごとに、正確性、再現率、F1スコアを計算し、AIモデルの予測値と観測流出量を比較する。
• 同一の評価指標を用いて、AIモデルをGloFASバージョン4（現在の運用中のグローバル洪水予測システム）と比較する。
• トレーニング済みモデルを、公開で無料利用可能なプラットフォーム（https://g.co/floodhub）を通じて、80か国以上で利用可能な運用型早期警戒システムに統合する。

Figure 1: Differences between nowcast (0-day lead time) F1 scores for 2-year return period events between our AI model and GloFAS over the time period 1984–2021. The AI model improves over GloFAS in 70% of gauges ( $N=3,673$ ).

実験結果

リサーチクエスチョン

• RQ1 AIベースのモデルは、地域のキャリブレーションデータを必要とせず、未測定流域においても信頼性の高い洪水予測を達成できるか？
• RQ2 AIモデルの性能はGloFASと比較して、極端な出来事象の予測におけるリードタイムと正確性の面で優れているか？
• RQ3 AIモデルは、高マグニチュードで低頻度の洪水出来事象（例：5年リターン期間）をどれほど信頼性を持って予測できるか？
• RQ4 AIモデルは、流出計が設置された流域においてGloFASの性能を維持または上回るか？また、未測定流域ではどのように性能を発揮するか？
• RQ5 オープンで公開されたデータは、スケーラブルでグローバルにアクセス可能な洪水予測システムを可能にし、洪水警報のアクセス格差を低減できるか？

主な発見

• AIモデルは、未測定流域において最大5日先の洪水予測においても、信頼性を発揮し、0日先のGloFASの信頼性と同等またはそれを上回る。
• 5年リターン期間の出来事象に関しては、AIモデルの正確性は、現在のGloFASが1年リターン期間の出来事象に対して達成している性能と同等またはそれ以上である。
• Nash-Sutcliffe効率（NSE）および Kling-Gupta効率（KGE）指標において、AIモデルはGloFASが流出計が設置された流域で示す性能を上回り、強力な一般化能力を示している。
• AIモデルは、多様な水文気象的地域において高い正確性と再現率を維持しており、10年リターン期間の出来事象ではF1スコアが常に0.7以上である。
• システムは運用化されており、登録や費用を必要とせず、80か国以上でリアルタイムで公開可能な洪水予測を提供している。
• データの可用性が主なボトルネックであり、モデルの性能は、公開利用可能な流出観測データの質とカバー範囲に制限を受ける。

Figure 2: Distributions over (top) precision, (bottom) recall for 0-day lead time at all gauges as a function of return period. The AI model is more reliable, on average, over all return periods. Over 5-year return period events, the AI model has precision that is not statistically different than an