[論文レビュー] Flood Prediction and Analysis on the Relevance of Features using Explainable Artificial Intelligence

Sai Prasanth Kadiyala, Wai Lok Woo|arXiv (Cornell University)|Jan 13, 2022

Hydrological Forecasting Using AI被引用数 8

ひとこと要約

本稿では、インド・ケララ州の洪水予測フレームワークを提案する。月次降雨データと機械学習モデル（ロジスティック回帰、ランダムフォレスト、SVMなど）を用い、特徴量の重要性を解釈可能なAI（XAI）技術で強化する。XAIモジュールが予測を駆動する気象的特徴量を効果的に特定し、高い忠実度で歴史的データと照合することで、モデル意思決定の妥当性を検証する。

ABSTRACT

This paper presents flood prediction models for the state of Kerala in India by analyzing the monthly rainfall data and applying machine learning algorithms including Logistic Regression, K-Nearest Neighbors, Decision Trees, Random Forests, and Support Vector Machine. Although these models have shown high accuracy prediction of the occurrence of flood in a particular year, they do not quantitatively and qualitatively explain the prediction decision. This paper shows how the background features are learned that contributed to the prediction decision and further extended to explain the inner workings with the development of explainable artificial intelligence modules. The obtained results have confirmed the validity of the findings uncovered by the explainer modules basing on the historical flood monthly rainfall data in Kerala.

研究の動機と目的

• 歴史的月次降雨データを用いて、ケララ州の洪水予測モデルを高精度に開発すること。
• 従来の機械学習モデルの解釈不能性を解消するため、説明可能なAI（XAI）技術を統合すること。
• 入力特徴量（例：降雨パターン）が洪水予測結果に与える寄与度を定量化および分析すること。
• ケララ州の歴史的洪水データを用いて、XAIの説明の信頼性を検証すること。
• 透明で解釈可能な洪水予測を通じて、災害管理に役立つ実用的インサイトを提供すること。

提案手法

• 月次降雨データを用いて、洪水予測のための複数の教師あり機械学習モデル（ロジスティック回帰、K-近傍法、決定木、ランダムフォレスト、SVM）を訓練する。
• モデル意思決定を解釈するために、SHAP（SHapley Additive exPlanations）およびLIME（Local Interpretable Model-agnostic Explanations）をXAIモジュールとして適用する。
• ランダムフォレストやSHAPによる特徴量重要度スコアを用い、気象的入力の重要度を順位付けおよび分析する。
• XAIの説明を歴史的洪水事象と照合することで、一貫性および信頼性を確認する。
• 特徴量寄与度の時間的パターンを分析し、季節的および累積的降雨の影響を理解する。
• 標準指標（例：正解率、AUC）を用いたモデル性能評価に加え、解釈可能性の重要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 ケララにおける洪水予測において、特に降雨パターンを含む気象的特徴量のうち、どの特徴量が最も関連性が高いか？
• RQ2 SHAP や LIME などのXAI技術は、機械学習モデルが行った予測をどの程度正確に説明できるか？
• RQ3 XAIモジュールの説明は、ケララにおける既知の歴史的洪水パターンとどの程度一致するか？
• RQ4 XAIの統合により、政策立案者にとっての洪水予測モデルの信頼性と実用性はどの程度向上するか？
• RQ5 異なる機械学習モデルは、特徴量重要度の順位付けおよび解釈可能性においてどの程度異なるか？

主な発見

• ランダムフォレストおよびSVMモデルは高い予測精度を達成し、歴史的洪水データを用いた検証で妥当性が確認された。
• SHAP や LIME などのXAIモジュールは、月次降雨量と季節的傾向が洪水発生の主な予測要因であることを的確に特定した。
• 特徴量重要度分析から、3～6か月間の累積降雨量が洪水予測に最も大きな影響を与えることが明らかになった。
• XAIツールによる説明は、ケララにおける記録された洪水事象と整合的であり、信頼性が裏付けられた。
• XAIの統合によりモデルの透明性が向上し、関係者が予測を理解し、信頼できるようになった。
• 本研究では、解釈可能なモデルが高い精度を維持しつつ、洪水リスク管理に役立つ実用的インサイトを提供できることを確認した。