[논문 리뷰] ML for Flood Forecasting at Scale

Sella Nevo, Anisimov, Vova외 12명|arXiv (Cornell University)|2019. 01. 28.

Flood Risk Assessment and Management참고 문헌 17인용 수 19

한 줄 요약

이 논문은 수문학적 모델의 수작업 캘리브레이션, 데이터 부족, 계산 비용 등의 한계를 극복하여 정확하고 실시간으로 강수량을 예측할 수 있도록 기계학습(ML)을 활용하는 방안을 제안한다. 글로벌 강수역을 통해 전이학습 및 다중태스크 학습을 활용하여 모델의 일반화 능력과 성능을 햖थ하며, 인도 파트나의 시범 수문역학 모델에서 높은 정확도(90% 재현율, 75% 정밀도)를 입증하였다.

ABSTRACT

Effective riverine flood forecasting at scale is hindered by a multitude of factors, most notably the need to rely on human calibration in current methodology, the limited amount of data for a specific location, and the computational difficulty of building continent/global level models that are sufficiently accurate. Machine learning (ML) is primed to be useful in this scenario: learned models often surpass human experts in complex high-dimensional scenarios, and the framework of transfer or multitask learning is an appealing solution for leveraging local signals to achieve improved global performance. We propose to build on these strengths and develop ML systems for timely and accurate riverine flood prediction.

연구 동기 및 목표

• 데이터가 부족한 개발도상 지역에서 특히 중요한 확장 가능하고 정확한 강수역 홍수 예측의 틈을 메우기.
• 확장성과 일반화 능력에 제약을 주는 수문학적 모델에서의 수작업 및 시간 소모가 큰 캘리브레이션에 의존하는 것을 해소하기.
• 위성, 현장 측정, 수문역학 시뮬레이션 등 다중 소스 데이터를 활용하여 글로벌 홍수 예측을 위한 강력한 기계학습 모델을 훈련하기.
• 유량 추정, 수문역학 모델링, 하이브리드 물리-기계학습 시스템과 같은 홍수 예측의 핵심 요소를 위한 기계학습 기반 솔루션 개발하기.
• 기계학습 커뮤니티의 광범위한 학술적 및 운영적 협력을 이끌어내기 위해 정제된 오픈 데이터와 운영용 모델을 공개하기.

제안 방법

• 여러 강수역 간 지식 공유를 통해 성능 향상을 이끌어내기 위해 전이학습 및 다중태스크 학습을 적용하여 국지적 데이터가 제한된 상황에서도 모델 성능 향상.
• 정확도를 유지하면서 계산 비용을 줄이기 위해 기계학습을 물리기반 수문역학 모델과 통합.
• 현장 측정소가 흩어져 있거나 없을 경우를 대비해 원격 감지 데이터(예: 위성 영상)를 활용해 강의 유량을 추정.
• 역사적 홍수 사건과 실시간 측정치를 기반으로 기계학습 모델을 훈련하여 300m 해상도에서 홍수 범위와 수위를 예측.
• 실시간 데이터와 기계학습 강화 시뮬레이션을 활용해 인도 파트나에서 운영 시범 시스템을 구축.
• 위성, 측정소, 수문역학 모델 등 다양한 원천의 오픈 데이터를 통합하여 모델 훈련 및 평가를 위한 통합적이고 확장 가능한 프레임워크 구축.

실험 결과

연구 질문

• RQ1 전이학습 및 다중태스크 학습이 데이터가 부족한 강수역에서 홍수 예측 정확도를 크게 향상시킬 수 있는가?
• RQ2 물리기반 수문역학 모델링에서 기계학습이 정확도를 희생시키지 않고 계산 비용을 얼마나 줄일 수 있는가?
• RQ3 현장 측정치가 제한된 상황에서 위성 데이터를 활용한 기계학습 기반 강의 유량 추정은 얼마나 효과적인가?
• RQ4 하이브리드 물리-기계학습 모델이 순수 물리기반 또는 순수 데이터 기반 모델보다 홍수 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ5 대규모 다강수역 훈련이 모델의 일반화 능력과 운영 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 인도 파트나에서의 시범 기계학습 강화 수문역학 모델은 300m 해상도에서 홍수 범위 예측에 90% 이상의 재현율과 75% 이상의 정밀도를 달성하였다.
• 기계학습 기반 모델은 전이학습을 통해 공통된 수문학적 원리를 활용하여 다양한 강수역 간 일반화 능력을 입증하였다.
• 위성 데이터를 활용한 원격 유량 추정 기술은 현장 측정소가 없는 경우 유망한 대안으로 나타났다.
• 기계학습과 물리기반 모델의 통합은 계산 비용을 감소시키고 입력 오류에 대한 강건성을 향상시켰다.
• 2018년 장마철 동안 실시간 홍수 경고를 성공적으로 생성하여 운영 가능성의 타당성을 입증하였다.
• 수작업 캘리브레이션과 데이터 부족 문제를 극복함으로써 이 접근 방식은 확장 가능한 대륙 수준의 홍수 예측을 가능하게 하였다.