[논문 리뷰] Flood Prediction and Analysis on the Relevance of Features using Explainable Artificial Intelligence

Sai Prasanth Kadiyala, Wai Lok Woo|arXiv (Cornell University)|2022. 01. 13.

Hydrological Forecasting Using AI인용 수 8

한 줄 요약

이 논문은 인도 케랄라 주를 대상으로 월간 강수량 데이터와 기계학습 모델(Logistic Regression, Random Forest, SVM 등)을 사용한 홍수 예측 프레임워크를 제안하며, 특징의 중요도를 해석할 수 있는 설명 가능한 인공지능(XAI) 기법을 통합하여 모델의 의사결정을 검증한다. XAI 모듈이 기상 특징이 예측에 어떤 영향을 미치는지 효과적으로 드러내며, 과거 데이터와의 높은 일치도로 모델의 결정을 검증함으로써 신뢰도를 입증한다.

ABSTRACT

This paper presents flood prediction models for the state of Kerala in India by analyzing the monthly rainfall data and applying machine learning algorithms including Logistic Regression, K-Nearest Neighbors, Decision Trees, Random Forests, and Support Vector Machine. Although these models have shown high accuracy prediction of the occurrence of flood in a particular year, they do not quantitatively and qualitatively explain the prediction decision. This paper shows how the background features are learned that contributed to the prediction decision and further extended to explain the inner workings with the development of explainable artificial intelligence modules. The obtained results have confirmed the validity of the findings uncovered by the explainer modules basing on the historical flood monthly rainfall data in Kerala.

연구 동기 및 목표

• 역사적 월간 강수량 데이터를 활용하여 케랄라 주의 정확한 홍수 예측 모델을 개발하기.
• 기존 기계학습 모델의 해석 불가능성 문제를 해결하고 설명 가능한 인공지능(XAI) 기법을 통합하기.
• 입력 특징(예: 강수 패턴 등)이 홍수 예측 결과에 기여하는 정도를 정량화하고 분석하기.
• 케랄라 주의 역사적 홍수 데이터를 기반으로 XAI 설명의 신뢰성 검증하기.
• 투명하고 해석 가능한 홍수 예측을 통해 재난 관리 정책 입안에 실질적인 통찰 제공하기.

제안 방법

• 홍수 예측을 위해 월간 강수량 데이터를 기반으로 다수의 지도 학습 기계학습 모델(Logistic Regression, K-Nearest Neighbors, Decision Trees, Random Forest, SVM)을 훈련하기.
• SHAP (SHapley Additive exPlanations)와 LIME (Local Interpretable Model-agnostic Explanations)를 XAI 모듈로 적용하여 모델 결정의 해석 가능성을 확보하기.
• Random Forest 및 SHAP의 특징 중요도 점수를 활용해 기상 입력의 중요도를 순위 매기고 분석하기.
• 역사적 홍수 사건과의 일치성을 검토하여 XAI 설명의 일관성과 신뢰성 확보하기.
• 특징 기여도의 시계열 패턴 분석을 통해 계절별 및 누적 강수량의 영향 이해하기.
• 정확도, AUC 등 표준 평가 지표를 사용해 모델 성능을 평가하면서도, 동시에 해석 가능성에 중점을 두기.

실험 결과

연구 질문

• RQ1 케랄라 주의 홍수 예측에 있어 특히 강수 패턴이 포함된 기상 특징 중 어떤 것이 가장 관련성이 높은가?
• RQ2 SHAP 및 LIME와 같은 XAI 기법이 기계학습 모델의 예측을 얼마나 정확하게 해석할 수 있는가?
• RQ3 XAI 모듈의 설명이 케랄라 주의 알려진 역대 홍수 패턴과 어느 정도 일치하는가?
• RQ4 XAI의 통합이 정책 입안자들이 신뢰하고 활용할 수 있는 홍수 예측 모델의 신뢰성과 사용성 향상에 기여하는가?
• RQ5 다양한 기계학습 모델 간 특징 중요도 순위 및 해석 가능성은 어떻게 다름이 있는가?

주요 결과

• Random Forest 및 SVM 모델이 높은 예측 정확도를 보이며, 역사적 홍수 데이터를 통한 검증을 통해 성능을 입증함.
• SHAP 및 LIME와 같은 XAI 모듈이 월간 강수량 총량과 계절적 추세를 홍수 발생의 주요 예측 변수로 효과적으로 식별함.
• 특징 중요도 분석을 통해 3~6개월 간의 누적 강수량이 홍수 예측에 가장 큰 영향을 미침을 규명함.
• XAI 도구의 설명이 케랄라 주의 기록된 홍수 사건과 일치하여 신뢰성 확인됨.
• XAI 통합으로 인해 모델의 투명도가 향상되어 이해하고 신뢰할 수 있는 예측이 가능해짐.
• 해석 가능한 모델이 높은 정확도를 유지하면서도 홍수 위험 관리에 실질적인 통찰을 제공할 수 있음을 확인함.