[논문 리뷰] ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach

Sella Nevo, Gal Elidan외 5명|arXiv (Cornell University)|2020. 11. 29.

Flood Risk Assessment and Management참고 문헌 9인용 수 8

한 줄 요약

이 논문은 전 세계 홍수 예측의 스케일링을 위한 두 가지 기계학습 기반 접근법을 제시한다: 유량 데이터가 필요 없이 수위 데이터를 기반으로 하는 수문 모델과 물리학과 기계학습을 융합한 형태학적 홍수 모델링 방법이다. 이 방법들은 校정 작업과 계산 비용을 줄이며, 높은 정확도(결정계수 R² = 0.99, 정밀도 76.2%)를 달성하여 인도와 방글라데시의 7,500만 명에게 실시간 경고를 제공함으로써 가용한 홍수 경고 접근성을 크게 확대하였다.

ABSTRACT

Floods are among the most common and deadly natural disasters in the world, and flood warning systems have been shown to be effective in reducing harm. Yet the majority of the world's vulnerable population does not have access to reliable and actionable warning systems, due to core challenges in scalability, computational costs, and data availability. In this paper we present two components of flood forecasting systems which were developed over the past year, providing access to these critical systems to 75 million people who didn't have this access before.

연구 동기 및 목표

• 높은 校정 비용, 계산 요구량, 데이터 부족으로 인해 발생하는 홍수 경고 시스템의 글로벌 확장성 격차를 해소하기 위해.
• 희귀한 유량 측정치에 의존하는 한계를 극복하기 위해 널리 확보 가능한 수위(수위 단계) 데이터를 사용하는 모델을 개발하기 위해.
• 정확도를 유지하거나 향상시키면서도 홍수 침수 모델링의 수동 校정 및 계산 비용을 줄이기 위해.
• 특히 남아시아 지역과 같이 데이터가 부족한 지역에 운영 가능한 홍수 예측 시스템을 구축하기 위해.
• 최소한의 인프라와 데이터 요구 조건으로도 대규모 지리적 지역을 커버하는 홍수 경고 시스템을 확장하기 위해.

제안 방법

• 인도와 방글라데시의 52개 수위계측소에서 확보한 72시간 이내의 역사적 수위 데이터를 기반으로 기계학습 모델을 훈련하여 향후 수위를 예측한다.
• 2014~2019년 기간의 비공개 강수량 데이터를 기반으로 훈련된 회귀 모델을 활용해 2020년 장마철 동안의 수위를 예측한다.
• 수위계측소 데이터, 고도 데이터, 이전의 SAR 기반 침수 지도를 기반으로 하천 프로파일을 유추하는 형태학적 홍수 모델링 방법을 개발한다.
• 강의 수로 네트워크 전역에서 수위계측소 측정값에서 하천 프로파일로의 연속적이고 감소하는 함수를 학습하기 위해 단조성 및 연속성 제약 조건을 적용한다.
• 역사적 침수 범위에 비해 과도하거나 부족한 침수를 최소화함으로써 지역 최적화 알고리즘을 사용해 하천 프로파일을 최적화한다.
• 유사한 형태학적 구조를 학습한 후에 유체역학적 유한요소 시뮬레이션에 비해 계산 비용이 높은 대체로 효율적인 침수 지도 생성을 위해 홍수 채우기 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 유량 측정치가 없는 지역에서 수위 데이터만을 기반으로 기계학습 모델이 고정확도의 홍수 예측을 달성할 수 있는가?
• RQ2 伝통적인 유한요소 유체역학 모델에 비해 물리학과 기계학습을 융합한 하이브리드 모델이 수동 校정 및 계산 비용을 줄일 수 있는가?
• RQ3 현장 데이터가 제한된 데이터 부족 지역에서 형태학적 모델의 성능이 고전적 유체역학 모델에 비해 어떻게 비교되는가?
• RQ4 학습된 하천 프로파일이 다양한 하천 시스템과 홍수 사건 간에 얼마나 일반화될 수 있는가?
• RQ5 이러한 방법들이 실시간으로 정확한 홍수 경고를 취약한 인구 집단에게 제공할 수 있도록 대규모로 운영 가능하게 구현될 수 있는가?

주요 결과

• 수위 기반 모델은 인도와 방글라데시의 52개 수위계측소에서 평균 20.7시간의 예측 리드 타임과 R² = 0.99의 높은 정확도를 기록하였다.
• 배포된 모델의 평균 절대 오차는 0.067미터, 평균 제곱오차는 0.011미터²로, 높은 예측 정확도를 나타내었다.
• 형태학적 모델은 정밀도(75.8% 대 72.7%)에서 고전적 유체역학 모델을 앞서며, 수동 校정 시간을 1개소당 30시간에서 4시간으로 줄였다.
• 형태학적 모델은 CPU 비용을 1개소당 4~131년에서 100~1,200시간으로 감소시켜 보다 넓은 범위의 확장 가능성을 확보하였다.
• 실시간 운영에서 시스템은 2020년 장마철 동안 429건의 홍수 사건에 대해 64미터 해상도에서 평균 정밀도 76.2%와 재현율 77.6%를 달성하였다.
• 시스템은 인도와 방글라데시의 개인 및 관계자들에게 3,900만 건 이상의 홍수 경고를 성공적으로 전달하여 실제 영향을 입증하였다.