[論文レビュー] ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach

Sella Nevo, Gal Elidan+5 more|arXiv (Cornell University)|Nov 29, 2020

Flood Risk Assessment and Management参考文献 9被引用数 8

ひとこと要約

本論文は、グローバルな洪水予報のスケーラビリティを向上させる2つの機械学習ベースの手法を提示する。1つは流出量データの必要性を回避する水位に基づく水文的モデルであり、もう1つは物理的手法と機械学習を融合させた形態的洪水モデルで、キャリブレーション作業と計算コストを削減する。これらの手法は高い精度（R² = 0.99、正確性 76.2%）を達成し、インドおよびバングラデシュの7500万人に対してリアルタイムの警報を提供し、実用的な洪水警報へのアクセスを顕著に拡大した。

ABSTRACT

Floods are among the most common and deadly natural disasters in the world, and flood warning systems have been shown to be effective in reducing harm. Yet the majority of the world's vulnerable population does not have access to reliable and actionable warning systems, due to core challenges in scalability, computational costs, and data availability. In this paper we present two components of flood forecasting systems which were developed over the past year, providing access to these critical systems to 75 million people who didn't have this access before.

研究の動機と目的

• 高コストのキャリブレーション、計算リソースの高要求、データ不足のため、洪水警報システムにおけるグローバルなスケーラビリティのギャップを解消すること。
• 流出量測定が稀であるという制限を克服し、広く利用可能な水位（水位）データに依存するモデルを開発すること。
• 洪水浸水域モデリングにおける手動キャリブレーションと計算コストを削減しながら、正確性を維持または向上させること。
• 特に南アジアを含むデータが乏しい地域において、運用可能な洪水予報システムの導入を可能にすること。
• 最小限のインfraストラクチャとデータ要件で、広大な地理的範囲をカバーする洪水警報システムのスケーリングを実現すること。

提案手法

• インドおよびバングラデシュの52か所の流出量ゲージから得た72時間分の歴史的水位データを用いて、将来の水位を予測する機械学習モデルを訓練する。
• 2014年から2019年までの非公開の河川流出データを用いてトレーニングした回帰モデルを活用し、2020年のモンスーンシーズン中の水位を予測する。
• ゲージ測定値、標高データ、および歴史的SAR由来の浸水域マップを統合して、河川の断面形状を推定する形態的洪水モデリング手法を開発する。
• 河川ネットワーク全体にわたり、ゲージ測定値から断面形状への連続的かつ単調減少関数を学習するために、単調性と連続性の制約を適用する。
• 過去の洪水範囲と比較して過剰または不十分な洪水を最小限に抑えるために、局所探索アルゴリズムを用いて断面形状を最適化する。
• 計算コストが高いために代替えが難しい有限要素法による水動的シミュレーションに代わり、学習された合成的形態に基づく洪水充填アルゴリズムを効率的に用いて浸水域マップを生成する。

実験結果

リサーチクエスチョン

• RQ1 流出量測定が利用できない地域において、水位データのみでトレーニングされた機械学習モデルが、高い正確性を持つ洪水予報を達成できるか？
• RQ2 従来の有限要素法水動的モデルと比較して、ハイブリッド物理-機械学習形態的モデルは、手動キャリブレーションと計算コストを削減できるか？
• RQ3 フィールドデータが限られるデータが乏しい地域において、形態的モデルの性能は、古典的水動的モデルと比べてどの程度優れているか？
• RQ4 学習された河川断面形状は、異なる河川システムや洪水イベントに一般化できるか？
• RQ5 これらの手法は、スケーラブルに運用可能であり、脆弱な人口にタイムリーかつ正確な洪水警報を提供できるか？

主な発見

• 水位ベースのモデルは、インドおよびバングラデシュの52か所のゲージで平均して20.7時間の予測リードタイムを達成し、水位予測の決定係数R²が0.99に達した。
• 導入済みモデルの平均絶対誤差は0.067メートル、平均二乗誤差は0.011平方メートルであり、高い予測正確性を示した。
• 形態的モデルは、古典的水動的モデルよりも正確性（75.8% 対 72.7%）が高く、手動キャリブレーション作業を1サイトあたり30時間から4時間に削減した。
• 形態的モデルは、1サイトあたりのCPUコストを4〜131年から100〜1,200時間に削減し、より広範なスケーラビリティを実現した。
• リアルタイム運用では、2020年のモンスーンシーズンに429件の洪水イベントを対象として、64メートル解像度で76.2%の正確性と77.6%の再現率を達成した。
• システムは、インドおよびバングラデシュの個人および当局に3900万件を超える洪水警報を効果的に配信し、実世界での影響を実証した。