[論文レビュー] Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks

Zifeng Guo, João P. Leitão+2 more|arXiv (Cornell University)|Apr 17, 2020

Flood Risk Assessment and Management参考文献 45被引用数 8

ひとこと要約

本稿では、最大水深ラスタ生成を画像対画像変換タスクとして扱うことで、都市内洪水予測を高速化する深層畳み込みニューラルネットワーク（CNN）を提案する。3つの流域で18個の設計降雨洪水プロファイルを用いて訓練したモデルは、物理的シミュレーション時間の0.5％（200倍速）で予測を実行でき、高い精度と実降雨イベントへの強い汎化性を示し、都市計画における迅速な洪水リスク分析を可能にする。

ABSTRACT

Computational complexity has been the bottleneck of applying physically-based simulations on large urban areas with high spatial resolution for efficient and systematic flooding analyses and risk assessments. To address this issue of long computational time, this paper proposes that the prediction of maximum water depth rasters can be considered as an image-to-image translation problem where the results are generated from input elevation rasters using the information learned from data rather than by conducting simulations, which can significantly accelerate the prediction process. The proposed approach was implemented by a deep convolutional neural network trained on flood simulation data of 18 designed hyetographs on three selected catchments. Multiple tests with both designed and real rainfall events were performed and the results show that the flood predictions by neural network uses only 0.5 % of time comparing with physically-based approaches, with promising accuracy and ability of generalizations. The proposed neural network can also potentially be applied to different but relevant problems including flood predictions for urban layout planning.

研究の動機と目的

• 高空間分解能を有する大都市における物理的ベースの洪水シミュレーションの計算ボトルネックを解消すること。
• 都市計画および緊急対応のための迅速で体系的な洪水リスク分析を可能にすること。
• 時間のかかる物理的ベースのシミュレーションを回避するデータ駆動型アプローチを開発し、予測精度を保持すること。
• 訓練データに含まれない設計降雨および実際の降雨イベントに対しても汎化できることを示すこと。
• スケーラブルで高分解能な都市内洪水予測に深層学習を用いる可能性を検討すること。

提案手法

• 入力として標高ラスタと出力として水深ラスタを用い、最大水深予測を画像対画像変換問題として定式化する。
• 3つの流域で18個の設計降雨洪水プロファイルからのシミュレーションデータを用いて、深層畳み込みニューラルネットワーク（CNN）を訓練する。
• CNNの空間不変性および局所的特徴抽出能力を活用し、データから複雑な洪水動態を学習する。
• 再訓練なしに、新しい降雨パターンの洪水範囲および水深を予測するために訓練済みモデルを適用する。
• 並列処理およびGPUアクセラレーションを用いて推論速度を確保し、計算時間はラスタサイズに線形に比例するようにする。
• 合成および実際の降雨イベントを用いて、物理的ベースのシミュレーションとの比較による予測の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、物理的ベースのシミュレーションに代わる十分な精度で、標高データから最大水深ラスタを予測できるか？
• RQ2 このモデルの予測速度は、従来の物理的ベースの洪水シミュレーションモデルと比べてどの程度速いか？
• RQ3 訓練データに含まれない現実の降雨イベントに対し、モデルはどの程度汎化できるか？
• RQ4 浅水域および深水域の両方の水深領域において、モデルの精度は維持されるか？
• RQ5 異なる地形および排水システムを有する異なる都市流域に適用した場合、モデルの性能はどのように変化するか？

主な発見

• CNNモデルは、物理的ベースのシミュレーションに要する時間のわずか0.5％にまで予測時間を短縮し、200倍の高速化を達成した。
• コインブラでのシミュレーション結果と照合した結果、実降雨イベント（複数のピークを有するものも含む）に対しても良好な汎化性を示した。
• 浅水域および深水域の両方においても予測精度が高く維持され、水深に応じた性能の偏りは顕著に認められなかった。
• 絶対誤差が0.5 mを超える高誤差セルの数は、全セル数に比べて非常に少なく、チューリッヒ流域ではわずか7,949セルであった。
• 異なる流域間でも一貫した性能を示したため、地形的および水文的変動に対してモデルが頑健であることが示された。
• CNNの計算時間はラスタサイズに線形に比例するが、物理的モデルは指数関数的に増加するため、高分解能応用に向けたスケーラビリティに優れている。