[論文レビュー] Predicting Natural Hazards with Neuronal Networks

Matthias Rauter, Daniel Winkler|arXiv (Cornell University)|Feb 21, 2018

Landslides and related hazards参考文献 11被引用数 4

ひとこと要約

本論文では、地形データと既存の危険区域地図から空間的パターンを学習することで、雪崩危険区域地図を自動生成する畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。検証領域ではトップ1正答率85%、トップ2正答率94%を達成し、人的介入を最小限に抑えたスケーラブルでデータ駆動型の危険区域地図作成の可能性を示している。

ABSTRACT

Gravitational mass flows, such as avalanches, debris flows and rockfalls are common events in alpine regions with high impact on transport routes. Within the last few decades, hazard zone maps have been developed to systematically approach this threat. These maps mark vulnerable zones in habitable areas to allow effective planning of hazard mitigation measures and development of settlements. Hazard zone maps have shown to be an effective tool to reduce fatalities during extreme events. They are created in a complex process, based on experience, empirical models, physical simulations and historical data. The generation of such maps is therefore expensive and limited to crucially important regions, e.g. permanently inhabited areas. In this work we interpret the task of hazard zone mapping as a classification problem. Every point in a specific area has to be classified according to its vulnerability. On a regional scale this leads to a segmentation problem, where the total area has to be divided in the respective hazard zones. The recent developments in artificial intelligence, namely convolutional neuronal networks, have led to major improvement in a very similar task, image classification and semantic segmentation, i.e. computer vision. We use a convolutional neuronal network to identify terrain formations with the potential for catastrophic snow avalanches and label points in their reach as vulnerable. Repeating this procedure for all points allows us to generate an artificial hazard zone map. We demonstrate that the approach is feasible and promising based on the hazard zone map of the Tirolean Oberland. However, more training data and further improvement of the method is required before such techniques can be applied reliably.

研究の動機と目的

• 深層学習を用いて、自動的かつデータ駆動型の雪崩危険区域地図作成手法を開発すること。
• 人的に負担が大きく、高コストでかつ優先度の高い地域に限定される、熟練者主導の危険区域地図作成プロセスへの依存を軽減すること。
• 畳み込みニューラルネットワークが、手動による特徴量設計を伴わずに地形特徴から空間的脆弱性のパターンを学習できるかどうかを検討すること。
• 訓練済みモデルを用いて、ある地域から別の地域へ知識を転送する可能性を評価すること。
• アルプス地域、とりわけ住民が少なく、地図化が不十分な地域を含め、危険区域地図作成のスケーラビリティと標準化を向上させること。

提案手法

• このタスクは、各地形ポイントを「脆弱（赤）」「非常に脆弱（黄）」「安全（緑）」に分類するセマンティックセグメンテーション問題として定式化される。
• 回転不変性を持つ畳み込みニューラルネットワークを、標高データと対応する公式の危険区域地図を用いて訓練し、雪崩リスクに関連する空間的パターンを学習する。
• ネットワークは地形データを直接処理し、手動による特徴選択を経ずに、勾配、湾曲度、集水域パターンなどの関連特徴を自動的に抽出する。
• トレーニングには、対応する危険度ラベルが付与された地形パッチのバランスの取れたデータセットを用い、交差エントロピー損失関数を最適化するための確率的勾配降下法が適用される。
• モデルの性能は、未学習の検証地域におけるトップ1およびトップ2正答率を用いて評価され、公式の危険区域地図と照合して可視化される。
• 最終的な訓練済みモデルを用いることで、各新しい地域に対して再トレーニングを必要とせず、数分で新たな危険区域地図を生成できる。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、明示的な特徴量設計を伴わず、地形データのみから雪崩危険区域を予測できるか？
• RQ2 深層学習モデルは、あるアルプス地域から別の地域へと雪崩の到達域を予測する際に、どの程度一般化できるか？
• RQ3 モデルの予測が、記録済みの雪崩の空間的構造をどの程度保持しているか？
• RQ4 データの不均衡と過学習がモデル性能に与える影響は何か。また、それらをどのように軽減できるか？
• RQ5 モデルの内部表現が、統計的パターン認識を通じて雪崩形成プロセスに関する新たな知見を明らかにできるか？

主な発見

• Längenfeldの検証地域では、トップ1正答率が約85%、トップ2正答率が94%を達成した。Stanzer Valley地域では、それぞれ60%および90%の正答率を示した。
• 最適化ステップが約2,000回で正答率が約50%でピークに達したが、これは早期の過学習を示しており、より多くのトレーニングデータの必要性を示唆している。
• ネットワークは、記録済みの雪崩経路の大部分を正しく特定したが、到達域の形状は予測においてうまく再現されていなかった。
• 緑（安全）領域は、特に急勾配の地形において高い忠実度で予測されており、低リスク領域への一般化能力が強いことが示された。
• 訓練済みモデルを用いることで、数分で危険区域地図を迅速に生成できるため、広域の地域への応用に向けたスケーラビリティが示された。
• モデルの性能は、転移学習や自動危険区域地図作成の可能性を示しているが、現在の結果はデータ不足と過学習の制限によって制限されている。