[논문 리뷰] AI Increases Global Access to Reliable Flood Forecasts

Grey Nearing, Déborah Cohen외 16명|arXiv (Cornell University)|2023. 07. 30.

Flood Risk Assessment and Management인용 수 4

한 줄 요약

이 논문은 전 세계 강수량 데이터를 기반으로 훈련된 장기 단기 기억(LSTM) 신경망을 사용하여, 수위계가 없는 지역(즉, 관측이 불가능한 지역)에서도 신뢰할 수 있고 실시간으로 홍수 예측을 제공하는 딥러닝 기반 홍수 예측 시스템을 제시한다. 이 시스템은 0일 예측 시점에서 현재 최고 수준의 GloFAS 시스템과 비교해도 성능이 유사하거나 뛰어나며, 극단적 홍수에 대해 더 긴 예측 시간과 더 높은 정확도를 제공한다.

ABSTRACT

Floods are one of the most common natural disasters, with a disproportionate impact in developing countries that often lack dense streamflow gauge networks. Accurate and timely warnings are critical for mitigating flood risks, but hydrological simulation models typically must be calibrated to long data records in each watershed. Using AI, we achieve reliability in predicting extreme riverine events in ungauged watersheds at up to a 5-day lead time that is similar to or better than the reliability of nowcasts (0-day lead time) from a current state of the art global modeling system (the Copernicus Emergency Management Service Global Flood Awareness System). Additionally, we achieve accuracies over 5-year return period events that are similar to or better than current accuracies over 1-year return period events. This means that AI can provide flood warnings earlier and over larger and more impactful events in ungauged basins. The model developed in this paper was incorporated into an operational early warning system that produces publicly available (free and open) forecasts in real time in over 80 countries. This work highlights a need for increasing the availability of hydrological data to continue to improve global access to reliable flood warnings.

연구 동기 및 목표

• 수위계가 없는 지역에서 홍수 예측이 어려운 문제를 해결함으로써 신뢰할 수 있는 예측이 가능하도록 한다.
• 장기간의 지역별 캘리브레이션 데이터가 필요한 전통적인 수문학 모델의 한계를 극복한다.
• 지역 캘리브레이션 없이도 다양한 수문학적 환경에 일반화 가능한 확장 가능한 글로벌 AI 모델을 개발한다.
• 홍수 위험이 높지만 데이터 접근성이 낮은 저소득 및 중소득 국가에서의 조기 경고 능력을 향상시킨다.
• 현재 최고 수준의 글로벌 시스템인 GloFAS와의 성능 비교를 통해 모델의 성능과 신뢰성을 검증한다.

제안 방법

• 역사적 일일 유량 데이터를 기반으로 전 세계 5,680개의 강수량 관측소에서 LSTM 순환 신경망을 훈련한다.
• 모델의 일반화 능력을 평가하기 위해 k-폴드 교차검증을 적용하여, 수위계가 없는 지역에서도 외부 샘플 성능을 확보한다.
• 관측된 유량곡선과 모델링된 유량곡선에서 유도된 복귀기간 기준(1년, 5년, 10년, 25년, 50년, 100년)을 사용해 극단적 홍수를 정의한다.
• 각 관측소와 복귀기간에 대해 정밀도, 재현율, F1 점수를 계산하여 AI 모델의 예측 결과를 실제 유량과 비교한다.
• 동일한 평가 지표를 사용하여 현재 운영 중인 글로벌 홍수 예측 시스템인 GloFAS 버전 4와 AI 모델을 비교한다.
• 훈련된 모델을 공공의 무료 사용 플랫폼(https://g.co/floodhub)을 통해 80개 이상의 국가에서 접근 가능한 운영형 조기 경고 시스템에 통합한다.

Figure 1: Differences between nowcast (0-day lead time) F1 scores for 2-year return period events between our AI model and GloFAS over the time period 1984–2021. The AI model improves over GloFAS in 70% of gauges ( $N=3,673$ ).

실험 결과

연구 질문

• RQ1 지역 캘리브레이션 데이터 없이도 AI 기반 모델이 수위계가 없는 지역에서 신뢰할 수 있는 홍수 예측을 수행할 수 있는가?
• RQ2 AI 모델의 성능은 GloFAS와 비교해 어떻게 되는가? 특히 극단적 홍수에 대한 예측 시간과 정확도 측면에서 어떻게 다른가?
• RQ3 AI 모델이 높은 규모이지만 낮은 빈도의 홍수(예: 5년 복귀기간)를 얼마나 신뢰성 있게 예측할 수 있는가?
• RQ4 AI 모델은 수위계가 있는 지역에서는 GloFAS의 성능을 유지하거나 향상시키는가? 수위계가 없는 지역에서는 어떤 성능을 보이는가?
• RQ5 개방형 공공 데이터를 통해 확장 가능하고 글로벌 접근이 가능한 홍수 예측 시스템을 구축할 수 있으며, 이는 홍수 경고 접근성 격차를 줄일 수 있는가?

주요 결과

• AI 모델은 수위계가 없는 지역에서 최대 5일 예측 시간까지 극단적 강수 유량 사건을 신뢰성 있게 예측할 수 있으며, 이는 0일 예측 시점에서 GloFAS의 성능과 동일하거나 뛰어나다.
• 5년 복귀기간 사건에 대해 AI 모델의 정확도는 현재 GloFAS가 1년 복귀기간 사건에 대해 기록한 성능과 유사하거나 뛰어나다.
• NSE 및 KGE 지표에서 AI 모델은 GloFAS가 수위계가 있는 지역에서 기록한 성능보다 수위계가 없는 지역에서 더 뛰어난 성능을 보이며, 강력한 일반화 능력을 입증한다.
• AI 모델은 다양한 수문기후 지역에서 높은 정밀도와 재현율을 유지하며, 10년 복귀기간 사건에 대해 F1 점수가 항상 0.7 이상으로 일관되게 유지된다.
• 시스템은 운영 중이며, 등록 없이도 80개 이상의 국가에서 실시간으로 공개된 홍수 예측을 제공하고 있다.
• 데이터 가용성은 여전히 주요 한계 요소이며, 모델의 성능은 공개된 유량 관측 데이터의 질과 커버리지에 의해 제한된다.

Figure 2: Distributions over (top) precision, (bottom) recall for 0-day lead time at all gauges as a function of return period. The AI model is more reliable, on average, over all return periods. Over 5-year return period events, the AI model has precision that is not statistically different than an