[논문 리뷰] Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion

Zuxiang Situ, Qi Wang외 5명|arXiv (Cornell University)|2023. 04. 19.

Flood Risk Assessment and Management인용 수 13

한 줄 요약

이 논문은 도시 홍수 예측을 위한 CNN-RNN 하이브리드 특징 융합 모델을 제안하고, 베이지안 최적화를 통해 영향 요인을 식별하며 최적의 LSTM-DeepLabv3+ 아키텍처를 선택하여 정확하고 빠른 예측을 달성한다.

ABSTRACT

Deep learning models have become increasingly popular for flood prediction due to their superior accuracy and efficiency compared to traditional methods. However, current machine learning methods often rely on separate spatial or temporal feature analysis and have limitations on the types, number, and dimensions of input data. This study presented a CNN-RNN hybrid feature fusion modelling approach for urban flood prediction, which integrated the strengths of CNNs in processing spatial features and RNNs in analyzing different dimensions of time sequences. This approach allowed for both static and dynamic flood predictions. Bayesian optimization was applied to identify the seven most influential flood-driven factors and determine the best combination strategy. By combining four CNNs (FCN, UNet, SegNet, DeepLabv3+) and three RNNs (LSTM, BiLSTM, GRU), the optimal hybrid model was identified as LSTM-DeepLabv3+. This model achieved the highest prediction accuracy (MAE, RMSE, NSE, and KGE were 0.007, 0.025, 0.973 and 0.755, respectively) under various rainfall input conditions. Additionally, the processing speed was significantly improved, with an inference time of 1.158s (approximately 1/125 of the traditional computation time) compared to the physically-based models.

연구 동기 및 목표

• 공간적 및 시간적 특징을 통합한 도시 홍수 예측의 향상을 목표로 한다.
• 정적 및 동적 홍수 관련 특징을 융합하기 위한 하이브리드 CNN-RNN 프레임워크를 개발한다.
• 가장 영향력 있는 홍수 요인과 최적의 특징/모델 조합을 식별하기 위해 베이지안 최적화를 사용한다.
• 최적의 CNN 백본과 RNN 아키텍처를 평가하여 최적의 LSTM-DeepLabv3+ 구성을 찾는다.
• 전통적인 모델에 비해 예측 정확도와 추론 속도 향상을 보여준다.

제안 방법

• 네 가지 CNN(FCN, UNet, SegNet, DeepLabv3+)과 세 가지 RNN(LSTM, BiLSTM, GRU)을 결합하여 하이브리드 특징 융합 모델을 형성한다.
• 베이지안 최적화를 적용하여 홍수 주도 요인 중 일곱 가지의 영향력과 최적의 조합 전략을 선택한다.
• 최적의 모델을 LSTM-DeepLabv3+로 식별한다.
• MAE, RMSE, NSE, KGE를 지표로 하여 다양한 강우 입력 조건에서 성능을 평가한다.
• 추론 속도를 측정하고 물리 기반 모델과 비교한다.

실험 결과

연구 질문

• RQ1 어떤 시공간 특징 융합 전략이 가장 높은 홍수 예측 정확도와 속도를 제공하는가?
• RQ2 어떤 CNN 백본과 RNN 유형의 조합이 도시 홍수 역학을 가장 잘 포착하는가?
• RQ3 베이지안 최적화 하에서 예측에 가장 영향력 있는 일곱 가지 홍수 주도 요인은 무엇인가?
• RQ4 다양한 강우 입력 조건에서 LSTM-DeepLabv3+ 모델은 다른 하이브리드 CNN-RNN 구성에 비해 어떻게 성능하는가?

주요 결과

• LSTM-DeepLabv3+가 테스트된 하이브리드 중에서 가장 높은 예측 정확도를 달성했다.
• 다양한 강우 입력에서 모델은 MAE 0.007, RMSE 0.025, NSE 0.973, KGE 0.755를 달성했다.
• 추론 시간은 1.158초로, 전통적인 계산 시간의 약 1/125에 해당했다.
• 베이지안 최적화가 일곱 가지 영향력 있는 홍수 주도 요인과 최적의 조합 전략을 식별했다.
• 이 접근 방식은 물리 기반 모델에 비해 정적 및 동적 홍수 예측을 모두 제공하며 효율성을 향상시켰다.