[論文レビュー] Towards Daily High-resolution Inundation Observations using Deep Learning and EO

Antara Dasgupta, Lasse Hybbeneth+1 more|arXiv (Cornell University)|Aug 10, 2022

Flood Risk Assessment and Management被引用数 5

ひとこと要約

本論文では、マルチソースの地球観測（EO）データ—具体的にはSentinel-1 SAR、Sentinel-2 光学データ、SMAP/GPM マイクロ波データ—を統合する深層学習フレームワークを提案する。このフレームワークにより、1日ごと、高解像度（10–30 m）の確率的洪水浸水マップが生成される。Sentinel-1 および -2 から導出された洪水マスクを用いてトレーニングされたU-NetおよびSegNetアーキテクチャを用いることで、PR-AUCが0.85に達し、従来の衛星技術の制限を超えて、時間的・空間的両面で優れた洪水モニタリングが実現された。

ABSTRACT

Satellite remote sensing presents a cost-effective solution for synoptic flood monitoring, and satellite-derived flood maps provide a computationally efficient alternative to numerical flood inundation models traditionally used. While satellites do offer timely inundation information when they happen to cover an ongoing flood event, they are limited by their spatiotemporal resolution in terms of their ability to dynamically monitor flood evolution at various scales. Constantly improving access to new satellite data sources as well as big data processing capabilities has unlocked an unprecedented number of possibilities in terms of data-driven solutions to this problem. Specifically, the fusion of data from satellites, such as the Copernicus Sentinels, which have high spatial and low temporal resolution, with data from NASA SMAP and GPM missions, which have low spatial but high temporal resolutions could yield high-resolution flood inundation at a daily scale. Here a Convolutional-Neural-Network is trained using flood inundation maps derived from Sentinel-1 Synthetic Aperture Radar and various hydrological, topographical, and land-use based predictors for the first time, to predict high-resolution probabilistic maps of flood inundation. The performance of UNet and SegNet model architectures for this task is evaluated, using flood masks derived from Sentinel-1 and Sentinel-2, separately with 95 percent-confidence intervals. The Area under the Curve (AUC) of the Precision Recall Curve (PR-AUC) is used as the main evaluation metric, due to the inherently imbalanced nature of classes in a binary flood mapping problem, with the best model delivering a PR-AUC of 0.85.

研究の動機と目的

• 単一衛星による洪水モニタリングの空間的・時間的制限を克服するため、高解像度および高頻度のデータソースを統合すること。
• マルチモodalな地球観測データを用いて、1日ごと、高解像度の洪水浸水マップを生成可能なデータ駆動型の深層学習モデルを開発すること。
• U-NetおよびSegNetアーキテクチャが、マルチソースEO入力からの確率的洪水拡大予測において、どの程度の性能を示すかを評価すること。
• クラス不均衡問題に対処するため、PR-AUCのような堅牢な評価指標を用いて、二値洪水マッピングの性能を評価すること。
• 利用可能なEOデータと深層学習を用いて、スケールに応じたニアリアルタイムでコスト効率の良い洪水モニタリングを可能にすること。

提案手法

• U-NetおよびSegNetに基づく畳み込みニューラルネットワーク（CNN）を、マルチソースEOデータから高解像度（10–30 m）の洪水浸水マップを予測するようにトレーニングする。
• 入力特徴量には、Sentinel-1 SARのバックプロージェクション、Sentinel-2 光学反射率に加え、標高、水文、土地被覆といった導出変数が含まれる。
• 洪水マスクは、標準的な画像処理技術を用いてSentinel-1および-2データから生成され、トレーニングのための正例としての基準値が作成される。
• クラス不均衡な洪水／非洪水クラスに対処するため、クラス重み付きサンプリングを用いた二値交差エントロピー損失関数を用いて、エンドツーエンドでモデルをトレーニングする。
• モデルの性能は、二値セグメンテーションタスクにおけるクラス不均衡に強く、信頼性の高い指標である、精度-再現率曲線下積分（PR-AUC）を用いて評価される。
• データ統合により、高空間解像度（Sentinel-1/2）と高時間解像度（SMAP/GPM）のデータを統合し、1日ごとの予測を可能にする。

実験結果

リサーチクエスチョン

• RQ1 高空間解像度と高時間解像度の地球観測データを統合する深層学習モデルは、1日ごと、高解像度の洪水浸水マップを効果的に生成できるか？
• RQ2 クラス不均衡下において、U-NetとSegNetアーキテクチャは、確率的洪水マッピングにおいて、どの程度の性能を示すか？
• RQ3 水文、標高、土地被覆の予測子を統合することで、洪水マッピングの精度はどの程度向上するか？
• RQ4 PR-AUCは、極めて不均衡なデータセットにおける洪水マッピングモデルの評価に信頼性のある指標として機能するか？
• RQ5 公開利用可能なEOデータと深層学習のみを用いて、10–30 m解像度の1日ごとの洪水マップを生成することは可能か？

主な発見

• 最も優れたモデルは、クラス不均衡にもかかわらず洪水ピクセルを検出する能力が高く、精度-再現率曲線下積分（PR-AUC）が0.85に達した。
• テストセットにおいて、U-Netアーキテクチャはセグメンテーション精度および耐性の面でSegNetを上回った。
• 標高、水文、土地被覆といったマルチソース予測子を統合することで、多様な洪水状況におけるモデルの一般化能力が顕著に向上した。
• Sentinel-1、Sentinel-2、SMAP、GPMのデータ統合により、10–30 mの空間解像度で1日ごとの洪水マップ作成が可能になり、個々のミッションの制限を克服した。
• モデルは複数の洪水イベントおよび地理的地域で一貫した性能を示し、移行性およびスケーラビリティを示した。
• 不均衡な洪水マッピングタスクにおけるモデル性能を捉えるのに、PR-AUCを主な指標として用いることが有効であることが実証された。