[論文レビュー] Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data

Faxi Yuan, William H. Mobley+6 more|arXiv (Cornell University)|Aug 30, 2021

Flood Risk Assessment and Management参考文献 68被引用数 5

ひとこと要約

本研究では、ハリス郡（テキサス州）におけるハリーヴェイ・ハリケーン（2017年）およびトロピカル・ストーム・イミルダ（2019年）の際の道路の冠水リスクを予測するために、クラウドソーシングされたWazeレポートと詳細な交通データを用いた機械学習モデルを開発した。ランダムフォレストモデルは、ハリーヴェイでAUCスコア0.860、イミルダで0.790を達成し、高い予測精度と安定性を示した。降水量と地形的特徴が最も影響力のある予測因子であることが明らかになった。

ABSTRACT

The objective of this study is to predict road flooding risks based on topographic, hydrologic, and temporal precipitation features using machine learning models. Predictive flood monitoring of road network flooding status plays an essential role in community hazard mitigation, preparedness, and response activities. Existing studies related to the estimation of road inundations either lack observed road inundation data for model validations or focus mainly on road inundation exposure assessment based on flood maps. This study addresses this limitation by using crowdsourced and fine-grained traffic data as an indicator of road inundation, and topographic, hydrologic, and temporal precipitation features as predictor variables. Two tree-based machine learning models (random forest and AdaBoost) were then tested and trained for predicting road inundations in the contexts of 2017 Hurricane Harvey and 2019 Tropical Storm Imelda in Harris County, Texas. The findings from Hurricane Harvey indicate that precipitation is the most important feature for predicting road inundation susceptibility, and that topographic features are more essential than hydrologic features for predicting road inundations in both storm cases. The random forest and AdaBoost models had relatively high AUC scores (0.860 and 0.810 for Harvey respectively and 0.790 and 0.720 for Imelda respectively) with the random forest model performing better in both cases. The random forest model showed stable performance for Harvey, while varying significantly for Imelda. This study advances the emerging field of smart flood resilience in terms of predictive flood risk mapping at the road level. For example, such models could help impacted communities and emergency management agencies develop better preparedness and response strategies with improved situational awareness of road inundation likelihood as an extreme weather event unfolds.

研究の動機と目的

• 既存の洪水リスクモデルにおける観測済みの道路冠水データの不足を補うために、リアルタイムのクラウドソーシングレポートとセンサー基盤の交通データを、道路冠水の代理指標として活用する。
• 地形的、水文的、時間的降水量特徴を機械学習モデルに統合することで、道路冠水感受性の予測精度を向上させる。
• 緊急対応および地域の準備体制を支援するため、道路レベルでのリアルタイム洪水リスク監視を可能にするスケーラブルでデータ駆動型のアプローチを開発する。
• WazeレポートとINRIX交通データという異種の大規模データソースを活用して、都市洪水予測における堅牢な機械学習モデルを訓練する可能性を実証する。
• 極端な気象イベント中におけるインfraストラクチャのリアルタイムの脆弱性を反映できる、動的で更新可能なリスクマップの実現により、スマートな洪水レジリエンスを推進する。

提案手法

• 実際に発生した道路冠水イベントの指標として、Wazeのクラウドソーシングレポート（例：「冠水した道路」のアラート）とINRIXの詳細な交通速度データを活用する。
• 予測変数として、地形的特徴（例：標高、勾配）、水文的特徴（例：不透水性、粗さ）、時間的降水量データ（例：嵐の強度、持続時間）を収集・統合する。
• 過去の嵐イベント（2017年ハリーヴェイ・ハリケーン、2019年トロピカル・ストーム・イミルダ）を対象に、2つの木構造ベースの機械学習モデル（ランダムフォレストとAdaBoost）を訓練および評価する。
• 特徴量の重要度分析を実施し、道路冠水感受性に最も影響を与える要因を同定する。
• モデルの性能を評価するために、受信者操作特性曲線の下側面積（AUC）を用い、妥当性を確保するための交差検証を実施する。
• データの不均衡を是正するため、交通データセットから非冠水路線をランダムにサンプリングし、両方の嵐イベントにおいてバランスの取れたトレーニングセットを確保する。

実験結果

リサーチクエスチョン

• RQ1 クラウドソーシングされたWazeレポートと詳細な交通データは、機械学習モデルにおける道路冠水イベントの代替指標として効果的に機能するか？
• RQ2 地形的、水文的、時間的降水量特徴のうち、どの組み合わせが主な嵐イベント中の道路冠水リスクを最も強く予測するか？
• RQ3 木構造ベースの機械学習モデル（ランダムフォレストとAdaBoost）の性能と安定性は、異なる嵐イベントにおいてどのように比較されるか？
• RQ4 降水量および地形的特徴が、水文的特徴（例：不透水性、粗さ）よりも、道路冠水感受性の予測において顕著に優れているとまでは言えるか？
• RQ5 WazeとINRIXの異種データソースを用いて訓練されたモデルは、最小限のデータ要件で他の地域や嵐のシナリオに一般化可能か？

主な発見

• ランダムフォレストモデルは、ハリーヴェイでAUC 0.860、イミルダで0.790を達成し、強力な予測性能と高い堅牢性を示した。
• 両方の嵐イベントにおいて、降水量特徴が道路冠水リスクの予測において最も重要な予測因子であることが特定された。これは、降雨の強度と持続時間の支配的役割を示している。
• 地形的特徴（例：標高、勾配）は、水文的特徴（例：不透水性、粗さ）よりも予測に大きな影響を与えており、地形が局所的洪水に重要な役割を果たしていることを示唆している。
• ランダムフォレストモデルは両イベントで安定した性能を示したが、AdaBoostモデルは特にイミルダのケース（AUC 0.720）で高い変動を示した。
• 土地被覆データの時間的ずれ（2016年NLDASが2017年および2019年の嵐に使用）という制限があるものの、モデルは高い予測精度を維持した。これは、利用可能なデータを用いたリアルタイムリスクモデリングの可能性を実証している。
• 本研究は、クラウドソーシングおよびセンサー基盤のデータを統合することで、正確でスケーラブルかつ更新可能な道路レベルの洪水リスク予測が可能であることを確認した。災害対応におけるリアルタイムの状況認識を支援する。