[論文レビュー] Inundation Modeling in Data Scarce Regions

Zvika Ben‐Haim, Vova Anisimov+5 more|arXiv (Cornell University)|Oct 11, 2019

Flood Risk Assessment and Management参考文献 13被引用数 6

ひとこと要約

本論文では、衛星画像から得られる高分解能デジタル標高モデル、リアルタイムの河川水位データ、およびハイブリッド型物理・機械学習ベースの河川流体制モデルを組み合わせることで、データが乏しい地域向けにスケーラブルでコスト効率の良い洪水浸水予測システムを提案する。2019年のインド・モンスーン期の予測において、『一部のリスク』のリCALLは98.6%、『最高のリスク』の精度（PRECISION）は79.9%を達成した。

ABSTRACT

Flood forecasts are crucial for effective individual and governmental protective action. The vast majority of flood-related casualties occur in developing countries, where providing spatially accurate forecasts is a challenge due to scarcity of data and lack of funding. This paper describes an operational system providing flood extent forecast maps covering several flood-prone regions in India, with the goal of being sufficiently scalable and cost-efficient to facilitate the establishment of effective flood forecasting systems globally.

研究の動機と目的

• データ不足と資金制約のため、発展途上国における空間的に正確な洪水予測が不足している問題に対処すること。
• データが乏しい地域における高分解能洪水浸水マップ作成を可能にする、グローバルにスケーラブルでコスト効率の良いシステムの開発。
• 高分解能デジタル地形モデルとリアルタイムの河川水位予測、および機械学習を統合することで、洪水警戒の精度を向上させること。
• Googleプラットフォームを活用して、個人および政府機関へのリアルタイムの洪水リスクマップ配信を可能にすること。
• 既存のグローバルなデジタル標高モデル（DEM）の限界を克服し、複数センサー・複数時系列の衛星画像から高分解能で正確なデジタル地形モデルを生成すること。

提案手法

• 複数センサー・複数時系列の衛星画像を密なステレオマッチングとパッチベースのクロス相関整合を用いて融合し、カメラモデルの補正を加えることで、高分解能のデジタル地形モデル（DTM）を生成する。
• グラフカット最適化を用いて、複数の画像からの深度マップを統合し、コンSENSUSのデジタル表面モデル（DSM）を生成した後、機械学習ベースの地表面被覆除去手法を用いてDTMを抽出する。
• 物理ベースの河川流体制モデルと、Sentinel-1 SAR画像で学習された機械学習モデルを組み合わせ、河川水位測定値から洪水範囲を予測する。
• 両モデルの予測結果をしきい値処理することで、『一部のリスク』、『より高いリスク』、『最高のリスク』の3つのリスクゾーンを定義し、『一部のリスク』は両モデル出力の和集合、『最高のリスク』は積集合とする。
• Android通知、Google検索、Googleマップを通じて、リアルタイムの洪水リスクマップを広く一般および政府機関に配信する。
• 履歴データを用いてモデルのしきい値をキャリブレーションし、リCALLと精度のバランスをとる。異なるリスクレベルに応じて、リCALL指向と精度指向のしきい値を設定する。

実験結果

リサーチクエスチョン

• RQ1 公開利用可能な衛星画像のみを用いて、データが乏しい地域でコスト効率の良い高分解能デジタル地形モデルをどのように生成できるか？
• RQ2 水文データが限られる状況下で、ハイブリッド型物理・機械学習ベースのモデリングが、洪水浸水予測の精度をどの程度向上できるか？
• RQ3 複数の予測モデルからの洪水リスクマップを効果的に統合することで、リCALLと精度の両方を向上させることは可能か？
• RQ4 リCALLと精度が異なるリスクレベルで優先順位が異なる場合、洪水予報の運用的有用性を最もよく反映する性能指標は何か？
• RQ5 リアルタイムのデータ配信を一般および関係当局に可能にするスケーラブルで低コストな洪水予測システムを、インドのような洪水が頻発する地域で運用可能にできるか？

主な発見

• 本システムは、平均して『一部のリスク』リCALL（SRR）が98.6%に達し、広範なリスク領域における水没ピクセルのほぼ完全な検出を示した。
• 本システムは『最高のリスク』精度（HRP）が79.9%に達し、最も深刻な洪水地域を信頼性高く特定できた。
• リスク領域比（RAR）は2.81であり、広範な『一部のリスク』領域と、焦点を絞った『最高のリスク』領域との間で、バランスの取れた空間的表現がなされたことを示した。
• 特定の出来事例として、2019年8月25日付パトナ洪水では、リCALLが99%、精度が59.2%に達し、複雑な洪水動態に対しても優れた性能を示した。
• 2019年7月14日付テズプル洪水では、リCALLが98%、精度が74.8%に達し、多様な河川環境において一貫した正確性を示した。
• ハイブリッド手法（河川流体シミュレーションと、SARを用いた機械学習ベースのモデリングの統合）により、単独で使用する手法よりも全体的な予測精度が向上した。