[논문 리뷰] Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks

Zifeng Guo, João P. Leitão외 2명|arXiv (Cornell University)|2020. 04. 17.

Flood Risk Assessment and Management참고 문헌 45인용 수 8

한 줄 요약

이 논문은 최대 수심 래스터 생성을 이미지 간 번역 작업으로 간주하여 도시 홍수 예측을 가속화하는 딥 컨volution 신경망(CNN)을 제안한다. 세 개의 유역에서 18개의 설계 강우도에 대해 훈련된 모델은 시뮬레이션 시간의 0.5%에 해당하는 200배 빠른 예측을 실현하며 높은 정확도와 실제 강우 사건으로의 강력한 일반화 성능을 보이며 도시 계획을 위한 빠른 홍수 위험 분석을 가능하게 한다.

ABSTRACT

Computational complexity has been the bottleneck of applying physically-based simulations on large urban areas with high spatial resolution for efficient and systematic flooding analyses and risk assessments. To address this issue of long computational time, this paper proposes that the prediction of maximum water depth rasters can be considered as an image-to-image translation problem where the results are generated from input elevation rasters using the information learned from data rather than by conducting simulations, which can significantly accelerate the prediction process. The proposed approach was implemented by a deep convolutional neural network trained on flood simulation data of 18 designed hyetographs on three selected catchments. Multiple tests with both designed and real rainfall events were performed and the results show that the flood predictions by neural network uses only 0.5 % of time comparing with physically-based approaches, with promising accuracy and ability of generalizations. The proposed neural network can also potentially be applied to different but relevant problems including flood predictions for urban layout planning.

연구 동기 및 목표

• 고공간 해상도를 가진 대규모 도시 지역에서 물리 기반 홍수 시뮬레이션의 계산적 병목 현상을 해결한다.
• 도시 계획 및 비상 대응을 위한 신속하고 체계적인 홍수 위험 분석을 가능하게 한다.
• 시간이 오래 소요되는 물리 기반 시뮬레이션을 회피하면서도 예측 정확도를 유지하는 데이터 기반 접근법을 개발한다.
• 훈련 데이터에 포함되지 않은 설계된 강우 이벤트와 실제 강우 이벤트 모두에 대해 일반화 성능을 입증한다.
• 스케일이 큰 고해상도 도시 홍수 예측에 대해 딥 러닝의 실현 가능성을 탐색한다.

제안 방법

• 입력으로 고도 래스터와 출력으로 수심 래스터를 사용하여 최대 수심 예측을 이미지 간 번역 문제로 재정의한다.
• 세 개의 유역에서 18개의 설계 강우도에 대한 시뮬레이션 데이터를 기반으로 딥 컨volution 신경망(CNN)을 훈련한다.
• CNN의 공간 불변성 및 국소적 특징 추출 능력을 활용하여 데이터에서 복잡한 홍수 동역학을 학습한다.
• 재훈련 없이도 새로운 강우 패tern에 대해 홍수 범위와 수심을 예측하기 위해 훈련된 모델을 적용한다.
• 병렬 처리와 GPU 가속을 적용하여 추론 속도를 확보하며, 계산 시간은 래스터 크기와 선형적으로 증가한다.
• 합성 및 실제 강우 이벤트를 대상으로 물리 기반 시뮬레이션 결과와 비교하여 예측을 검증한다.

실험 결과

연구 질문

• RQ1 딥 CNN이 충분한 정확도로 고도 데이터로부터 최대 수심 래스터를 예측하여 물리 기반 시뮬레이션을 대체할 수 있는가?
• RQ2 모델의 예측 속도는 전통적인 물리 기반 홍수 시뮬레이션 모델과 비교해 어떻게 되는가?
• RQ3 훈련 데이터에 포함되지 않은 실제 강우 이벤트에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 얕은 홍수 지역과 깊은 홍수 지역을 포함한 다양한 수심 범위에서 모델의 정확도가 유지되는가?
• RQ5 다른 지형과 배수 시스템을 가진 다양한 도시 유역에 적용했을 때 모델의 성능은 어떠한가?

주요 결과

• CNN 모델은 물리 기반 시뮬레이션에 비해 예측 시간을 단 0.5%로 줄여 200배 빠른 속도를 달성한다.
• 실제 강우 이벤트, 특히 다중 피크 강우 이벤트에 대해서도 일반화 성능이 뛰어나 코임브라에서의 시뮬레이션 결과와 검증되었다.
• 얕은 물과 깊은 물 지역 모두에서 정확도가 높게 유지되며, 수심에 따라 성능에 심각한 편향이 없었다.
• 절대 오차가 0.5m 초과인 고오차 셀의 수는 총 셀 수 대비 매우 적었으며, 취리히 유역에서는 단 7,949개의 고오차 셀이 관찰되었다.
• 다양한 유역에서 일관된 성능을 유지하여 지형 및 수문학적 변동성에 대해 강건함을 입증하였다.
• CNN의 계산 시간은 래스터 크기와 선형적으로 증가하지만, 물리 기반 모델은 지수적으로 증가하므로 고해상도 응용 분야에서 더 스케일이 잘 되어 있다.