[論文レビュー] Machine Learning for Generalizable Prediction of Flood Susceptibility

Chelsea Sidrane, Dylan Fitzpatrick+4 more|arXiv (Cornell University)|Oct 15, 2019

Flood Risk Assessment and Management参考文献 12被引用数 5

ひとこと要約

本研究では、米国6州にまたがる複数の河川流域で、地上観測データと衛星画像データを用いて、河川の洪水危険度を予測する汎用的でマルチベーシンの機械学習モデルを提案する。米国地質調査所（USGS）の河川水位観測データ、衛星から導出された不透水表面被覆データ、PRISM降雨データを用いて訓練したモデルは、NOAAの運用予報（0.245の再現率）に比べ、優れた再現率（0.5の精度で≥0.6）を達成しており、現場特有のキャリブレーションに依存しない、コスト効率が良くスケーラブルな洪水予測の可能性を示している。

ABSTRACT

Flooding is a destructive and dangerous hazard and climate change appears to be increasing the frequency of catastrophic flooding events around the world. Physics-based flood models are costly to calibrate and are rarely generalizable across different river basins, as model outputs are sensitive to site-specific parameters and human-regulated infrastructure. In contrast, statistical models implicitly account for such factors through the data on which they are trained. Such models trained primarily from remotely-sensed Earth observation data could reduce the need for extensive in-situ measurements. In this work, we develop generalizable, multi-basin models of river flooding susceptibility using geographically-distributed data from the USGS stream gauge network. Machine learning models are trained in a supervised framework to predict two measures of flood susceptibility from a mix of river basin attributes, impervious surface cover information derived from satellite imagery, and historical records of rainfall and stream height. We report prediction performance of multiple models using precision-recall curves, and compare with performance of naive baselines. This work on multi-basin flood prediction represents a step in the direction of making flood prediction accessible to all at-risk communities.

研究の動機と目的

• 高コストで現場特有の水文的キャリブレーションに依存しない、汎用的でマルチベーシンの洪水危険度予測モデルの開発を目的とする。
• 米国各地の多様な河川流域で訓練された統計的機械学習モデルが、物理ベースのモデルに比べて洪水発生を予測する能力に優れているかどうかを評価すること。
• 洪水予測に、広範な地上観測測定に代わる、リモートセンシングデータ（例：衛星画像、降水量）を用いることの実現可能性を評価すること。
• USGSの河川水位観測データによる実世界の真値と比較して、NOAAの運用洪水予報とのモデル性能を比較すること。
• 本モデルを本土アメリカ全土にスケーリングし、より広範な災害レジリエンスを実現する可能性を検討すること。

提案手法

• 米国6州にまたがる6つの河川流域以上にわたり、地理的に分散したデータを用いて、教師あり機械学習モデルを訓練した。
• 入力特徴量として、河川流域の特性、衛星から導出された不透水表面被覆、および過去の降水量と河川水位データを用いた。
• 3種類のモデルタイプを採用した：勾配ブースティング決定木（GBDT）、ランダムフォレスト分類器、多層パーセプトロン（MLP）。
• USGSの河川水位観測データを用いて、NOAAの「軽微な洪水」基準を用いて洪水発生を二値化した（洪水イベントの割合は5.5%）。
• 降水量イベント後のピーク水位到達までの時間を、等頻度の4つのカテゴリに区切って予測した。
• 性能評価には、精度-再現率曲線を用い、ランダムベースラインおよびIEMデータベースのNOAA運用予報と比較した。

実験結果

リサーチクエスチョン

• RQ1 多様な米国河川流域にまたがるマルチベーシンで汎用的な機械学習モデルは、高い精度で洪水危険度を予測できるか？
• RQ2 現場のリアルタイム河川水位データに依存するNOAAの運用洪水予報と比較して、モデルの性能はどの程度か？
• RQ3 リモートセンシングデータ（例：衛星画像、降水量）を用いることで、高コストな地上観測用の河川水位計測の必要性をどの程度低減できるか？
• RQ4 明示的なモデル化なしに、統計的モデルがダムや水の引き抜き施設といった人為的インフラの影響を暗黙的に捉えることができるか？
• RQ5 マルチベーシンのデータを統合することで、単一ベーシンのモデルに比べ、一般化性能が向上するか？

主な発見

• 精度0.5の条件下で、提案された予測モデルは再現率が少なくとも0.6を達成しており、NOAAの北東河川予報センターのモデル（再現率0.245）を著しく上回った。
• モデルは、流域特有のキャリブレーションを要せず、複数の河川流域にわたって優れた一般化性能を示しており、本土アメリカ全土へのスケーラビリティを示唆している。
• 直近1か月分の河川水位データしか入手できなかったにもかかわらず、3日前までのリアルタイムデータを活用するNOAAのモデルを上回った。
• 本結果は、多様でマルチベーシンのデータで訓練された統計的モデルが、現在の物理ベースの運用システムよりも洪水発生予測の再現率を高められることを示している。
• 本研究は、リモートセンシングと機械学習を組み合わせることで、リスクにさらされる地域にコスト効率が良くスケーラブルな洪水予測システムを実現できる可能性を実証した。
• 今後の高分解能衛星画像およびSARデータの統合により、さらなる性能向上が期待される。