[논문 리뷰] Machine Learning for Generalizable Prediction of Flood Susceptibility

Chelsea Sidrane, Dylan Fitzpatrick외 4명|arXiv (Cornell University)|2019. 10. 15.

Flood Risk Assessment and Management참고 문헌 12인용 수 5

한 줄 요약

이 논문은 미국 6개 주에 걸쳐 원격 감지 및 현장 측정 데이터를 사용하여 다수의 강수계를 대상으로 보편적이고 다수의 강수계를 아우르는 기계학습 모델을 제안한다. 미주지역 수문측량국(USGS)의 지리적으로 분산된 강수량 측정소 데이터, 위성에서 유도된 불透수 표면 피복도, 그리고 PRISM precipitation 데이터를 기반으로 훈련한 모델들은, NOAA의 운영 예측 모델(0.245 재현율)에 비해 뛰어난 재현율(0.5 정밀도 기준 ≥0.6)을 달성하여, 현장 특화 校정에 의존하지 않고도 비용 효율적이고 확장 가능한 홍수 예측의 잠재력을 입증한다.

ABSTRACT

Flooding is a destructive and dangerous hazard and climate change appears to be increasing the frequency of catastrophic flooding events around the world. Physics-based flood models are costly to calibrate and are rarely generalizable across different river basins, as model outputs are sensitive to site-specific parameters and human-regulated infrastructure. In contrast, statistical models implicitly account for such factors through the data on which they are trained. Such models trained primarily from remotely-sensed Earth observation data could reduce the need for extensive in-situ measurements. In this work, we develop generalizable, multi-basin models of river flooding susceptibility using geographically-distributed data from the USGS stream gauge network. Machine learning models are trained in a supervised framework to predict two measures of flood susceptibility from a mix of river basin attributes, impervious surface cover information derived from satellite imagery, and historical records of rainfall and stream height. We report prediction performance of multiple models using precision-recall curves, and compare with performance of naive baselines. This work on multi-basin flood prediction represents a step in the direction of making flood prediction accessible to all at-risk communities.

연구 동기 및 목표

• 비용이 많이 들고 현장 특화된 수문학적 校정에 의존하지 않는 보편적이고 다수의 강수계를 아우르는 홍수 위험도 예측 모델을 개발하는 것.
• 다양한 미국 강수계에서 훈련된 통계적 기계학습 모델이 물리 기반 모델보다 홍수 사건 예측에서 뛰어난 성능을 보일 수 있는지 평가하는 것.
• 홍수 예측을 위해 광범위한 현장 측정 데이터 대신 원격 감지 데이터(예: 위성 영상, 강수량)를 사용할 수 있는지의 가능성을 평가하는 것.
• USGS 강수량 측정소에서 확보한 실제 관측 데이터를 기반으로, 모델 성능을 NOAA의 운영 예측 모델과 비교하는 것.
• 이러한 모델을 미국 본토 전역으로 확장하여 더 넓은 재난 대비 능력을 갖출 수 있는지 탐색하는 것.

제안 방법

• 미국 6개 주에 걸쳐 있는 6개 이상의 강수계에서 지리적으로 분산된 데이터를 기반으로 지도 학습 기반 기계학습 모델을 훈련시켰다.
• 강수계 특성, 위성에서 유도된 불투수 표면 피복도, 그리고 과거 강우량과 강수위 데이터를 입력 특성로 사용했다.
• 세 가지 모델 유형을 활용: 기울기 부스팅 결정수림(GBDT), 랜덤 포레스트 분류기, 다층 퍼셉트론(MLP).
• USGS 강수량 측정소 데이터를 기반으로 NOAA의 '경미한 홍수' 기준을 사용하여 홍수 발생 여부를 이진화했다(5.5% 홍수 사건).
• 강우 이벤트 이후 강수위 정점 도달 시간을 등빈도 4개 카테고리로 나누어 예측했다.
• 정밀도-재현율 곡선을 사용하여 성능을 평가하고, 무작위 기반 모델 및 IEM 데이터베이스에서 확보한 NOAA의 운영 예측 모델과 비교했다.

실험 결과

연구 질문

• RQ1 다양한 미국 강수계에서 보편적이고 다수의 강수계를 아우르는 기계학습 모델이 높은 정확도로 홍수 위험도를 예측할 수 있는가?
• RQ2 실시간 강수위 데이터를 활용하는 NOAA의 운영 예측 모델과 비교해 볼 때, 모델 성능은 어떠한가?
• RQ3 원격 감지 데이터를 얼마나 활용할 수 있을지에 따라, 비용이 많이 드는 현장 강수량 측정소의 필요성이 얼마나 감소할 수 있는가?
• RQ4 명시적인 모델링 없이도 통계적 모델이 댐, 유출구 등 인간이 조절한 인프라의 영향을 암묵적으로 포착할 수 있는가?
• RQ5 단일 강수계 모델 대비 다수의 강수계 데이터를 통합함으로써 일반화 능력이 향상되는가?

주요 결과

• 정밀도 0.5 기준으로 제안된 예측 모델은 최소 0.6의 재현율을 달성하여, 실시간 강수위 데이터를 사용하는 NOAA의 뉴잉글랜드 강수예보센터 모델(0.245 재현율)에 비해 뚜렷이 뛰어난 성능을 보였다.
• 모델은 강수계 특화 校정 없이도 여러 강수계에 걸쳐 뛰어난 일반화 능력을 보였으며, 미국 본토 전역으로의 확장 가능성을 시사한다.
• 이전 달의 강수위 데이터만을 활용한 본 연구 모델이, 최대 3일 전까지 실시간 데이터를 사용하는 NOAA의 모델보다 성능이 뛰어나, 이는 기존의 물리 기반 예측 모델보다 통계적 모델이 홍수 예측에서 더 높은 재현율을 달성할 수 있음을 시사한다.
• 결과적으로, 다양한 강수계에서 훈련된 통계적 모델이 현재의 물리 기반 운영 시스템보다 홍수 사건 예측에서 더 높은 재현율을 달성할 수 있음을 입증한다.
• 이 연구는 원격 감지와 기계학습을 활용한 비용 효율적이고 확장 가능한 홍수 예측 체계가 위험에 노출된 지역 사회에 적용될 수 있음을 개념적으로 입증한다.
• 향후 고해상도 위성 영상 및 SAR 데이터 통합이 예측 성능을 더욱 향상시킬 것으로 기대된다.