[論文レビュー] ML for Flood Forecasting at Scale

Sella Nevo, Anisimov, Vova+12 more|arXiv (Cornell University)|Jan 28, 2019

Flood Risk Assessment and Management参考文献 17被引用数 19

ひとこと要約

本論文は、手動キャリブレーション、データ不足、計算コストの制限を克服することで、正確でリアルタイムな河川洪水予測をスケーリングするために機械学習（ML）の利用を提案する。グローバルな流域間で転移学習およびマルチタスク学習を活用することで、モデルの一般化性能と性能を向上させ、インド・パトナのパイロット水理モデルにおいて90％の再現率、75％の正確率という高い精度を達成した。

ABSTRACT

Effective riverine flood forecasting at scale is hindered by a multitude of factors, most notably the need to rely on human calibration in current methodology, the limited amount of data for a specific location, and the computational difficulty of building continent/global level models that are sufficiently accurate. Machine learning (ML) is primed to be useful in this scenario: learned models often surpass human experts in complex high-dimensional scenarios, and the framework of transfer or multitask learning is an appealing solution for leveraging local signals to achieve improved global performance. We propose to build on these strengths and develop ML systems for timely and accurate riverine flood prediction.

研究の動機と目的

• 特にデータが乏しい発展途上地域において、スケーラブルで正確な河川洪水予測の空白を埋める。
• スケーラビリティと一般化性能に制限を受ける、時間のかかる手動による水文モデルキャリブレーションに依存するのを回避する。
• 衛星、地上観測、水理シミュレーションなど多様なソースの大量データを活用して、グローバルな洪水予測のための強固なMLモデルを訓練する。
• 流出推定、水理モデル、ハイブリッド物理-MLシステムといった洪水予測の主要な要素に対して、MLベースのソリューションを開発する。
• MLコミュニティが利用可能なキュレート済みのオープンデータおよび運用モデルを公開することで、広範な学術的および運用的協働を促進する。

提案手法

• 複数の河川流域にまたがる知識共有を可能にするために、転移学習およびマルチタスク学習を適用し、限られた現地データでもモデル性能を向上させる。
• 物理ベースの水理モデルとMLを統合することで、計算コストを削減しながらも正確性を維持する。
• 地上流出計が不足または存在しない地域では、リモートセンシングデータ（例：衛星画像）を活用して河川流出量を推定する。
• 歴史的洪水事例およびリアルタイム測定データを用いてMLモデルを訓練し、300mの空間解像度で洪水範囲および水位を予測する。
• リアルタイムデータとML強化シミュレーションを活用して浸水域マップを生成する、インド・パトナでのパイロット運用システムを導入する。
• 衛星、流出計、水理モデルなど多様なソースのオープンデータを統合し、モデルの訓練および評価に適した統一的かつスケーラブルなフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 転移学習およびマルチタスク学習は、データが乏しい流域において洪水予測の正確性を顕著に向上させることができるか？
• RQ2 物理ベースの水理モデルにおける計算コストを、正確性を損なわずどれほど削減できるか？
• RQ3 地上観測データが限られる状況で、衛星データからの流出推定にMLを適用した場合、どれほど有効であるか？
• RQ4 ハイブリッド物理-MLモデルは、完全に物理ベースまたは完全にデータドリブンなモデルに比べて、洪水予測において優れた性能を示すか？
• RQ5 大規模かつ多流域にわたるトレーニングが、モデルの一般化性能および運用信頼性に与える影響はいかほどか？

主な発見

• インド・パトナで実施したパイロットML強化水理モデルは、300mの空間解像度で洪水範囲予測において90％を超える再現率、75％を超える正確率を達成した。
• 転移学習を通じて共通する水文的原則を活用することで、MLベースのモデルが流域間で一般化できる能力を示した。
• 地上流出計が存在しない地域においても、衛星データを用いた流出推定は有望な代替手段であることが示された。
• 物理ベースのモデルとMLを統合することで、計算コストが削減され、入力誤差に対しても耐性が向上した。
• 2018年モンスーンシーズン中にリアルタイムの洪水警報を正常に発出できたことから、運用可能性が実証された。
• 手動キャリブレーションおよびデータ不足の制限を克服することで、大陸規模の洪水予測が可能になるという利点がある。