[論文レビュー] Physics Informed Data Driven model for Flood Prediction: Application of Deep Learning in prediction of urban flood development

Kun Qian, Abduallah Mohamed+1 more|arXiv (Cornell University)|Aug 23, 2019

Flood Risk Assessment and Management参考文献 53被引用数 31

ひとこと要約

本論文では、2次元都市内洪水予測の高速化を目的として、遅い物理ベースの浅水域方程式（SWE）ソルバーの代わりに畳み込みニューラルネットワーク（CNN）と条件付きGANを用いた、物理的制約を組み込んだデータ駆動型ディープラーニングモデルを提案する。モデルは約50,000倍の高速化を達成しながら高い精度を維持し、定量的評価では低MSEと高PSNRを示す。さらに、カルマンフィルターにインspiredされた事後調整ステップを導入することで、長期的な安定性が向上する。

ABSTRACT

Flash floods in urban areas occur with increasing frequency. Detecting these floods would greatlyhelp alleviate human and economic losses. However, current flood prediction methods are eithertoo slow or too simplified to capture the flood development in details. Using Deep Neural Networks,this work aims at boosting the computational speed of a physics-based 2-D urban flood predictionmethod, governed by the Shallow Water Equation (SWE). Convolutional Neural Networks(CNN)and conditional Generative Adversarial Neural Networks(cGANs) are applied to extract the dy-namics of flood from the data simulated by a Partial Differential Equation(PDE) solver. Theperformance of the data-driven model is evaluated in terms of Mean Squared Error(MSE) andPeak Signal to Noise Ratio(PSNR). The deep learning-based, data-driven flood prediction modelis shown to be able to provide precise real-time predictions of flood development

研究の動機と目的

• 人的・経済的被害を低減するため、リアルタイムかつ高解像度の都市内洪水予測の実現を促進する。
• 都市内洪水モデリングに用いられる物理ベースの2次元浅水域方程式（SWE）ソルバーに起因する計算のボトル neck を克服する。
• SWEの物理的ダイナミクスを保持しつつ、予測速度を著しく向上させるデータ駆動型ディープラーニングモデルの開発。
• カルマンフィルタの更新ステップにインspiredされた事後調整ステップを統合することで、生成モデルの長期的予測安定性を向上させる。
• 観測値の更新を用いたリアルタイムの洪水状態推定へのモデルの有効性を検証する。

提案手法

• 偏微分方程式（PDE）ソルバーを用いて2次元浅水域方程式（SWE）を解いた高精度なシミュレーションデータを用いて、物理的制約を組み込んだデータ駆動型モデルを学習する。
• 畳み込みニューラルネットワーク（CNN）を用いて、SWEシミュレーションデータから洪水の空間的・時間的ダイナミクスを学習する。
• 構造的誤差を低減するために、識別器ネットワークを活用する条件付き生成対抗ネットワーク（cGAN）を採用する。
• cGANベースのモデルにおける長期的予測ドリフトを是正するため、カルマンフィルタの更新ステップにインspiredされた事後調整ステップを導入する。
• 複数の時間ステップおよびテストシナリオにおいて、平均二乗誤差（MSE）およびピーク信号対ノイズ比（PSNR）を用いてモデルを評価する。
• 実時間観測を統合し、状態推定精度を向上させるために、経験的共分散行列を用いた観測値更新ステップを適用する。

実験結果

リサーチクエスチョン

• RQ1 SWEシミュレーションデータで学習したディープラーニングモデルは、計算コストを著しく削減しながら、2次元都市内洪水の発展を高精度に予測できるか？
• RQ2 特にCNNとcGANを用いた場合、洪水伝播の物理的ダイナミクスをどの程度保持できるか、異なるディープラーニングアーキテクチャの性能を比較する。
• RQ3 cGANが引き起こす構造的誤差は、長期的な時間的スパンにおいて、事後調整メカニズムによって是正可能か？
• RQ4 観測値の更新を用いたリアルタイム推定フレームワークに、データ駆動型モデルをどの程度統合できるか？
• RQ5 損失関数にL1ノルム正則化を組み込むことで、モデルの長期的予測安定性にどのような影響を与えるか？

主な発見

• データ駆動型モデルは、元のSWE PDEソルバーと比較して約50,000倍の計算高速化を達成しながらも、高い予測精度を維持した。
• CNNに基づくモデル1は、cGANベースのモデルに比べて長期的な時間的変化において優れた性能を示したが、cGANは1ステップ先の予測精度が優れていた。
• 事後調整ステップにより、cGANベースのモデルにおける予測の発散が顕著に低減され、長期的な安定性と性能が向上した。
• cGANにおける識別器による構造的損失の低減が、PSNRとMSEの観点から、最高性能を示すCNNモデルと同等の予測品質を実現した。
• cGANの損失関数にL1ノルム項を組み込むことで、予測の忠実性が向上し、時間経過に伴う誤差の蓄積が低減された。
• カルマンフィルタの Ensemble バージョンにインspiredされた観測値更新ステップにより、MSEが低減され、PSNRが向上した。これにより、リアルタイム洪水状態推定へのモデルの実用性が裏付けられた。