[논문 리뷰] Physics Informed Data Driven model for Flood Prediction: Application of Deep Learning in prediction of urban flood development

Kun Qian, Abduallah Mohamed외 1명|arXiv (Cornell University)|2019. 08. 23.

Flood Risk Assessment and Management참고 문헌 53인용 수 31

한 줄 요약

이 논문은 2차원 도시홍수 예측을 가속화하기 위해 느린 물리기반 얕은 수면 방정식(SWE) 해소기 대신 컨volutional 신경망(CNN)과 조건부 GAN을 사용하는 물리기반 데이터 기반 딥러닝 모델을 제안한다. 모델은 높은 정확도를 유지하면서 약 50,000배의 속도 향상을 달성하며, 정량적 결과로 낮은 MSE와 높은 PSNR를 보이며, 칼만 필터를 모방한 사후 조정 단계를 통해 장기적 안정성을 향상시킨다.

ABSTRACT

Flash floods in urban areas occur with increasing frequency. Detecting these floods would greatlyhelp alleviate human and economic losses. However, current flood prediction methods are eithertoo slow or too simplified to capture the flood development in details. Using Deep Neural Networks,this work aims at boosting the computational speed of a physics-based 2-D urban flood predictionmethod, governed by the Shallow Water Equation (SWE). Convolutional Neural Networks(CNN)and conditional Generative Adversarial Neural Networks(cGANs) are applied to extract the dy-namics of flood from the data simulated by a Partial Differential Equation(PDE) solver. Theperformance of the data-driven model is evaluated in terms of Mean Squared Error(MSE) andPeak Signal to Noise Ratio(PSNR). The deep learning-based, data-driven flood prediction modelis shown to be able to provide precise real-time predictions of flood development

연구 동기 및 목표

• 사망자와 경제적 손실을 줄이기 위해 실시간으로 고해상도의 도시홍수 예측이 필요한 핵심 문제를 해결하기 위해.
• 도시홍수 모델링에 사용되는 물리기반 2차원 얕은 수면 방정식(SWE) 해소기의 계산 병목 현상을 극복하기 위해.
• SWE의 물리적 역학을 유지하면서 예측 속도를 크게 향상시키는 데이터 기반 딥러닝 모델을 개발하기 위해.
• 칼만 필터링을 모방한 사후 조정 단계를 통합하여 생성 모델의 장기 예측 안정성을 향상시키기 위해.
• 측정값 업데이트를 통해 실시간 상태 추정에 모델의 유용성을 검증하기 위해.

제안 방법

• 2차원 얕은 수면 방정식(SWE)을 해결하는 PDE 해소기를 사용해 생성한 고정밀 시뮬레이션 데이터를 기반으로 물리기반 데이터 기반 모델을 훈련한다.
• 컨volutional 신경망(CNN)을 사용해 SWE 시뮬레이션 데이터로부터홍수 확산의 공간적 및 시간적 동역학을 학습한다.
• 조건부 생성 적대적 네트워크(cGAN)를 사용해 판별자 네트워크를 활용해 예측의 구조적 오차를 줄인다.
• cGAN 기반 모델의 장기 예측 이격 현상을 보정하기 위해 사후 조정 단계를 도입하며, 칼만 필터의 업데이트 단계를 모방한다.
• 여러 시간 단계와 테스트 시나리오에 걸쳐 평균 제곱오차(MSE)와 피크 신호 대 노이즈비(PSNR)를 사용해 모델을 평가한다.
• 실시간 관측을 융합하고 상태 추정 정확도를 향상시키기 위해 경험적 공분산 행렬을 사용해 측정값 업데이트 단계를 적용한다.

실험 결과

연구 질문

• RQ1 SWE 시뮬레이션 데이터로 훈련된 딥러닝 모델이 계산 비용을 크게 줄이며 2차원 도시홍수의 발전을 정확하게 예측할 수 있는가?
• RQ2 특히 CNN과 cGAN을 포함한 다양한 딥러닝 아키텍처가 홍수 확산의 물리적 역학을 얼마나 잘 유지하는가?
• RQ3 장기적인 시간 범위에서 GAN이 유도하는 구조적 오차는 사후 조정 메커니즘을 통해 어떻게 완화될 수 있는가?
• RQ4 데이터 기반 모델이 측정값 업데이트를 통해 실시간 추정 프레임워크에 얼마나 잘 통합될 수 있는가?
• RQ5 손실 함수에 L1 노름 정규화를 포함시키는 것이 모델의 장기 예측 안정성에 어떤 영향을 미치는가?

주요 결과

• 데이터 기반 모델은 원래 SWE PDE 해소기 대비 약 50,000배의 계산 속도 향상을 달성하면서도 높은 예측 정확도를 유지한다.
• CNN 기반의 모델 1은 cGAN 기반 모델에 비해 장기적인 시간 진화에서 더 뛰어난 성능을 보이며, cGAN은 단일 스텝 예측 정확도에서 더 우수하다.
• 사후 조정 단계는 cGAN 기반 모델의 예측 이격 현상을 크게 감소시켜 장기적 안정성과 성능을 향상시킨다.
• cGAN에서 판별자를 통한 구조적 손실을 낮추면 예측 품질이 향상되며, 이는 최고의 CNN 모델과 비교해 유사한 PSNR 및 MSE를 보여준다.
• cGAN 손실 함수에 L1 노름 항을 포함시키면 예측 정밀도가 향상되고 시간에 따른 오차 누적 현상이 감소한다.
• 칼만 필터의 업데이트 단계를 모방한 측정값 업데이트 단계는 MSE를 감소시키고 PSNR를 증가시켜 실시간 홍수 상태 추정의 가능성과 타당성을 확인한다.