[논문 리뷰] Predicting Natural Hazards with Neuronal Networks

Matthias Rauter, Daniel Winkler|arXiv (Cornell University)|2018. 02. 21.

Landslides and related hazards참고 문헌 11인용 수 4

한 줄 요약

이 논문은 지형 데이터와 기존의 위험 지도에서 공간 패턴을 학습함으로써 눈 avalanchage 위험 구역도를 자동으로 생성하는 컨볼루션 신경망(CNN) 기반 접근법을 제안한다. 검증 지역에서 상위 1위 정확도 85%, 상위 2위 정확도 94%를 달성하여, 최소한의 인간 입력으로도 확장 가능한 데이터 기반의 위험 지ap 도시화의 가능성을 입증한다.

ABSTRACT

Gravitational mass flows, such as avalanches, debris flows and rockfalls are common events in alpine regions with high impact on transport routes. Within the last few decades, hazard zone maps have been developed to systematically approach this threat. These maps mark vulnerable zones in habitable areas to allow effective planning of hazard mitigation measures and development of settlements. Hazard zone maps have shown to be an effective tool to reduce fatalities during extreme events. They are created in a complex process, based on experience, empirical models, physical simulations and historical data. The generation of such maps is therefore expensive and limited to crucially important regions, e.g. permanently inhabited areas. In this work we interpret the task of hazard zone mapping as a classification problem. Every point in a specific area has to be classified according to its vulnerability. On a regional scale this leads to a segmentation problem, where the total area has to be divided in the respective hazard zones. The recent developments in artificial intelligence, namely convolutional neuronal networks, have led to major improvement in a very similar task, image classification and semantic segmentation, i.e. computer vision. We use a convolutional neuronal network to identify terrain formations with the potential for catastrophic snow avalanches and label points in their reach as vulnerable. Repeating this procedure for all points allows us to generate an artificial hazard zone map. We demonstrate that the approach is feasible and promising based on the hazard zone map of the Tirolean Oberland. However, more training data and further improvement of the method is required before such techniques can be applied reliably.

연구 동기 및 목표

• 딥 러닝을 활용한 자동화되고 데이터 기반의 눈 avalanchage 위험 구역도 제작 방법을 개발하기 위해.
• 비용이 많이 들고 인력에 의존하는 전문가 중심의 위험 지도 제작 과정에 대한 의존도를 줄이기 위해, 이는 고비용이며 고우선순위 지역에 국한되어 있다.
• 컨볼루션 신경망이 수동적인 기능 설계 없이 지형 특징에서 공간적 취약성 패턴을 학습할 수 있는지 탐색하기 위해.
• 학습된 모델을 통해 한 지역에서 다른 지역으로 지식을 전이할 수 있는지의 가능성을 평가하기 위해.
• 알파인 지역, 특히 인구가 적거나 지도가 부족한 지역을 포함하여 위험 구역 지도 제작의 확장성과 표준화를 향상시키기 위해.

제안 방법

• 이 작업은 각 지형 점이 취약(빨간색), 매우 취약(노란색), 안전(초록색)으로 분류되는 의미적 세그멘테이션 문제로 설정된다.
• 회전 불변성 컨볼루션 신경망은 고도 데이터와 해당 공식 위험 구역 지도를 기반으로 눈 avalanchage 위험과 관련된 공간 패턴을 학습한다.
• 네트워크는 지형 데이터를 직접 처리하여 수동적인 기능 선택 없이 기울기, 곡률, 유역 패턴과 같은 관련 기능을 자동으로 추출한다.
• 훈련은 균형 잡힌 지형 패치 데이터셋과 해당 위험 레이블을 사용하며, 교차 엔트로피 손실 함수를 사용한 확률적 경사 하강법으로 최적화된다.
• 모델 성능은 검증되지 않은 지역에서 상위 1위 및 상위 2위 정확도로 평가되며, 결과는 공식 위험 지도와 비교하여 시각화된다.
• 최종 학습된 모델을 사용하여 새로운 위험 구역 지도를 몇 분 내로 생성할 수 있으며, 각 새로운 지역에 대해 재학습이 필요하지 않다.

실험 결과

연구 질문

• RQ1 컨볼루션 신경망은 수동적인 기능 설계 없이 지형 데이터만으로 눈 avalanchage 위험 구역을 예측할 수 있는가?
• RQ2 딥 러닝 모델은 한 알파인 지역에서 다른 지역으로 눈 avalanchage 도달 거리 구역을 일반화하여 얼마나 정확하게 예측할 수 있는가?
• RQ3 모델 예측에서 문서화된 눈 avalanchage의 공간적 구조는 어느 정도 유지되는가?
• RQ4 데이터 불균형과 과적합은 모델 성능에 어떤 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ5 모델의 내부 표현은 통계적 패턴 인식을 통해 눈 avalanchage 형성 과정에 대한 새로운 통찰을 드러낼 수 있는가?

주요 결과

• Längenfeld 검증 지역에서 모델은 상위 1위 정확도 약 85%와 상위 2위 정확도 94%를 달성했으며, Stanzer Valley 지역에서는 각각 60%와 90%의 정확도를 기록했다.
• 최적화 단계 약 2,000회 이후 정확도가 약 50%로 정점에 도달하여 조기 과적합이 발생했음을 시사하며, 이는 더 많은 훈련 데이터가 필요함을 시사한다.
• 네트워크는 대부분의 문서화된 눈 avalanchage 경로를 성공적으로 식별했지만, 도달 거리 구역의 형태는 예측에서 잘 표현되지 않았다.
• 초록색(안전) 영역은 특히 기울인 지형에서 높은 정밀도로 예측되었으며, 이는 저위험 영역에 대한 강력한 일반화 능력을 시사한다.
• 학습된 모델을 사용하여 몇 분 내로 위험 구역 지도를 신속하게 생성할 수 있어, 더 넓은 지역 적용에 대한 확장 가능성을 보여준다.
• 모델 성능은 전이 학습과 자동화된 위험 지도 제작의 잠재력을 드러내지만, 현재 결과는 데이터 부족과 과적합으로 인해 제한되어 있다.