[論文レビュー] Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion

Zuxiang Situ, Qi Wang+5 more|arXiv (Cornell University)|Apr 19, 2023

Flood Risk Assessment and Management被引用数 13

ひとこと要約

この論文は、都市洪水予測のためのCNN-RNNハイブリッド特徴融合モデルを提案し、ベイズ最適化によって影響因子を特定し、最適な LSTM-DeepLabv3+ アーキテクチャを選択して、正確で高速な予測を実現する。

ABSTRACT

Deep learning models have become increasingly popular for flood prediction due to their superior accuracy and efficiency compared to traditional methods. However, current machine learning methods often rely on separate spatial or temporal feature analysis and have limitations on the types, number, and dimensions of input data. This study presented a CNN-RNN hybrid feature fusion modelling approach for urban flood prediction, which integrated the strengths of CNNs in processing spatial features and RNNs in analyzing different dimensions of time sequences. This approach allowed for both static and dynamic flood predictions. Bayesian optimization was applied to identify the seven most influential flood-driven factors and determine the best combination strategy. By combining four CNNs (FCN, UNet, SegNet, DeepLabv3+) and three RNNs (LSTM, BiLSTM, GRU), the optimal hybrid model was identified as LSTM-DeepLabv3+. This model achieved the highest prediction accuracy (MAE, RMSE, NSE, and KGE were 0.007, 0.025, 0.973 and 0.755, respectively) under various rainfall input conditions. Additionally, the processing speed was significantly improved, with an inference time of 1.158s (approximately 1/125 of the traditional computation time) compared to the physically-based models.

研究の動機と目的

• 統合された空間的および時間的特徴を用いて都市洪水予測を改善する動機付け。
• 静的および動的な洪水関連特徴を融合するハイブリッドCNN-RNNフレームワークを開発する。
• 最も影響力のある洪水の推進因子と最適な特徴/モデルの組み合わせを特定するためにベイズ最適化を用いる。
• 最適なLSTM-DeepLabv3+構成を見つけるために複数のCNNバックボーンとRNNアーキテクチャを評価する。
• 従来モデルと比較して予測精度の向上と推論の高速化を示す。

提案手法

• 4つのCNN（FCN、UNet、SegNet、DeepLabv3+）と3つのRNN（LSTM、BiLSTM、GRU）を組み合わせてハイブリッド特徴融合モデルを形成する。
• ベイズ最適化を適用して7つの最も影響力の洪水推進因子と最適な組み合わせ戦略を選択する。
• 最適なモデルをLSTM-DeepLabv3+として特定する。
• MAE、RMSE、NSE、KGEを指標として、さまざまな降雨入力条件下で性能を評価する。
• 推論速度を測定し、物理ベースのモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 どの時空間特徴融合戦略が洪水予測の精度と速度を最も高めるか？
• RQ2 CNNバックボーンとRNNタイプのどの組み合わせが都市洪水ダイナミクスを最もよく捉えるか？
• RQ3 ベイズ最適化の下で予測に最も影響を与える7つの推進因子はどれか？
• RQ4 さまざまな降雨入力下で他のハイブリッドCNN-RNN構成と比較してLSTM-DeepLabv3+モデルはどう機能するか？

主な発見

• LSTM-DeepLabv3+はテストされたハイブリッドの中で最高の予測精度を達成した。
• さまざまな降雨入力下で、モデルはMAE 0.007、RMSE 0.025、NSE 0.973、KGE 0.755を達成した。
• 推論時間は1.158 sで、従来の計算時間の約1/125。
• ベイズ最適化は7つの影響因子と最適な組み合わせ戦略を特定した。
• このアプローチは静的および動的な洪水予測を提供し、物理ベースのモデルと比較して効率が向上している。