[논문 리뷰] Inundation Modeling in Data Scarce Regions

Zvika Ben‐Haim, Vova Anisimov외 5명|arXiv (Cornell University)|2019. 10. 11.

Flood Risk Assessment and Management참고 문헌 13인용 수 6

한 줄 요약

이 논문은 데이터가 부족한 지역을 대상으로 확장 가능하고 비용 효율적인 홍수 침수 예측 시스템을 제안한다. 이 시스템은 위성 영상에서 유도한 고해상도 디지털 고도 모델(DTM), 실시간 강수위 데이터, 그리고 물리기반 및 기계학습 기반의 하이드로러직 모델을 융합한다. 2019년 인도 장마 기간 동안 이 시스템은 '일부 위험'에 대해 98.6%의 리콜을, '최고 위험'에 대해 79.9%의 정밀도를 기록하였다.

ABSTRACT

Flood forecasts are crucial for effective individual and governmental protective action. The vast majority of flood-related casualties occur in developing countries, where providing spatially accurate forecasts is a challenge due to scarcity of data and lack of funding. This paper describes an operational system providing flood extent forecast maps covering several flood-prone regions in India, with the goal of being sufficiently scalable and cost-efficient to facilitate the establishment of effective flood forecasting systems globally.

연구 동기 및 목표

• 데이터 부족과 자금 제약로 인해 개발국에서 공간적으로 정확한 홍수 예측이 부족한 문제를 해결하기 위해.
• 데이터가 부족한 지역에서 고해상도 홍수 침수도를 위한 글로벌 적용이 가능하고 비용 효율적인 시스템을 개발하기 위해.
• 고해상도 디지털 지형 모델과 실시간 강수위 예측, 기계학습을 융합하여 홍수 경고 정확도를 향상시키기 위해.
• Google 플랫폼을 통해 개인 및 정부 기관에 실시간 홍수 위험도를 배포할 수 있도록 하기 위해.
• 기존의 글로벌 DEM의 한계를 극복하기 위해 다중 센서, 다중 시기의 위성 영상에서 고해상도이고 정확한 디지털 지형 모델을 생성하기 위해.

제안 방법

• 밀도 있는 스테레오 매칭과 패치 기반 상호상관 정렬을 사용하여 다중 센서, 다중 시기의 위성 영상 데이터를 융합하여 고해상도 디지털 지형 모델(DTM)을 생성한다. 이 과정에서 카메라 모델을 보정한다.
• 그래프 컷 최적화를 통해 다수의 영상에서 유도된 깊이 맵을 융합하여 공통의 디지털 표면 모델(DSM)을 생성한 후, 기계학습 기반의 지면 커버 제거 기법을 통해 DTM를 추출한다.
• 홍수 범위를 강수위 측정치에서 예측하기 위해 물리기반 하이드로러직 모델과 센티넬-1 SAR 영상에 기반한 기계학습 모델을 융합한다.
• 모델 출력의 임계값을 설정하여 '일부 위험', '높은 위험', '최고 위험'의 세 가지 위험 구역을 정의한다. 여기서 '일부 위험'은 두 모델 출력의 합집합이고, '최고 위험'은 교집합이다.
• Android 알림, Google 검색, Google 맵을 통해 실시간 홍수 위험도를 배포하여 일반 대중과 정부 기관의 접근성을 극대화한다.
• 역사적 데이터를 사용하여 모델 임계값을 校정하여 정밀도와 리콜의 균형을 맞추며, 다양한 위험 수준에 따라 리콜 중심 또는 정밀도 중심의 임계값을 설정한다.

실험 결과

연구 질문

• RQ1 공개된 위성 영상만을 사용하여 데이터가 부족한 지역에서 비용 효율적으로 고해상도 디지털 지형 모델을 생성할 수 있는가?
• RQ2 유량 데이터가 제한된 상황에서 하이브리드 물리기반 및 기계학습 기반 모델링이 홍수 침수 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 다양한 예측 모델의 홍수 위험도를 효과적으로 융합하여 리콜과 정밀도를 동시에 향상시킬 수 있는가?
• RQ4 리콜과 정밀도가 서로 다른 위험 수준에서 우선시될 경우, 홍수 예측의 운영적 유용성을 가장 잘 반영하는 성능 지표는 무엇인가?
• RQ5 실시간 데이터 배포 기능을 갖춘 확장 가능하고 저비용의 홍수 예측 시스템을 인도와 같은 홍수 발생 위험이 높은 지역에 실제로 운영할 수 있는가?

주요 결과

• 시스템은 평균 98.6%의 '일부 위험 리콜'(SRR)을 달성하여 넓은 위험 구역 내 홍수 발생 픽셀을 거의 완전히 탐지함을 나타낸다.
• 시스템은 '최고 위험 정밀도'(HRP) 79.9%를 기록하여 가장 심각한 홍수 지역을 신뢰성 있게 식별함을 나타낸다.
• 위험 영역 비율(RAR)은 2.81로, '일부 위험'과 '최고 위험' 영역 간의 공간적 균형이 잘 이루어져 있음을 시사한다.
• 특정 사고, 예를 들어 2019-08-25 파트나 홍수의 경우, 시스템은 99%의 리콜과 59.2%의 정밀도를 기록하여 복잡한 홍수 동역학에서도 뛰어난 성능을 보였다.
• 2019-07-14 테즈푸르 홍수의 경우, 시스템은 98%의 리콜과 74.8%의 정밀도를 기록하여 다양한 강수역 환경에서 일관된 정확도를 확보하였다.
• 하이드로러직 시뮬레이션과 기계학습 기반 SAR 정보 기반 모델링을 융합한 하이브리드 접근 방식이, 개별적으로 사용할 경우보다 전체 예측 정확도를 향상시켰다.