[논문 리뷰] Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data

Faxi Yuan, William H. Mobley외 6명|arXiv (Cornell University)|2021. 08. 30.

Flood Risk Assessment and Management참고 문헌 68인용 수 5

한 줄 요약

이 연구는 텍사스주 하리스 카운티에서 허리케인 하비(2017)와 토네이도 스톰 이멜다(2019) 기간 동안 도로 침수 위험을 예측하기 위해 군중으로부터 수집한 와이즈 보고서와 세밀한 교통 데이터를 활용한 기계학습 모델을 개발한다. 랜덤 포레스트 모델은 하비에 대해 AUC 점수 0.860, 이멜다에 대해 0.790을 기록하여 높은 예측 정확도와 안정성을 입증하였으며, 강수량과 지형적 특성이 가장 영향력 있는 예측 변수로 나타났다.

ABSTRACT

The objective of this study is to predict road flooding risks based on topographic, hydrologic, and temporal precipitation features using machine learning models. Predictive flood monitoring of road network flooding status plays an essential role in community hazard mitigation, preparedness, and response activities. Existing studies related to the estimation of road inundations either lack observed road inundation data for model validations or focus mainly on road inundation exposure assessment based on flood maps. This study addresses this limitation by using crowdsourced and fine-grained traffic data as an indicator of road inundation, and topographic, hydrologic, and temporal precipitation features as predictor variables. Two tree-based machine learning models (random forest and AdaBoost) were then tested and trained for predicting road inundations in the contexts of 2017 Hurricane Harvey and 2019 Tropical Storm Imelda in Harris County, Texas. The findings from Hurricane Harvey indicate that precipitation is the most important feature for predicting road inundation susceptibility, and that topographic features are more essential than hydrologic features for predicting road inundations in both storm cases. The random forest and AdaBoost models had relatively high AUC scores (0.860 and 0.810 for Harvey respectively and 0.790 and 0.720 for Imelda respectively) with the random forest model performing better in both cases. The random forest model showed stable performance for Harvey, while varying significantly for Imelda. This study advances the emerging field of smart flood resilience in terms of predictive flood risk mapping at the road level. For example, such models could help impacted communities and emergency management agencies develop better preparedness and response strategies with improved situational awareness of road inundation likelihood as an extreme weather event unfolds.

연구 동기 및 목표

• 기존 홍수 위험 모델에서 관측된 도로 침수 데이터의 부족을 보완하기 위해 실시간 군중 보고서와 센서 기반 교통 데이터를 도로 침수의 대체 지표로 활용한다.
• 지형, 수문학적, 시간적 강수량 특성을 기계학습 모델에 통합하여 도로 침수 위험도의 예측 정확도를 향상시킨다.
• 긴급 관리 및 지역 사회 대비를 지원하기 위해 도로 수준에서 실시간 홍수 위험 모니터링이 가능한 확장 가능한 데이터 기반 접근법을 개발한다.
• 와이즈 보고서와 INRIX 교통 데이터와 같은 이질적인 대용량 데이터 소스를 활용해 도시 홍수 예측에서 강력한 기계학습 모델을 훈련시키는 것이 가능한지를 입증한다.
• 기상 이벤트 동안 실시간 인프라 취약도를 반영하는 동적이고 업데이트 가능한 위험 지ap을 가능하게 하여 스마트 홍수 복원력을 향상시킨다.

제안 방법

• 실제 도로 침수 사건의 지표로 와이즈 군중 보고서(예: '침수된 도로' 경고)와 INRIX의 세밀한 교통 속도 데이터를 활용한다.
• 지형적 특성(예: 고도, 경사), 수문학적 특성(예: 불透수성, 거칠기) 및 시간적 강수량 데이터(예: 폭우 강도, 지속 시간)를 예측 변수로 수집 및 통합한다.
• 과거 폭풍 이벤트(2017년 허리케인 하비, 2019년 토네이도 스톰 이멜다)에 대해 트리 기반 기계학습 모델 두 종류—랜덤 포레스트와 AdaBoost—를 훈련하고 평가한다.
• 도로 침수 위험도에 가장 영향을 미치는 예측 변수를 특정하기 위해 특성 중요도 분석을 수행한다.
• 모델 성능 평가를 위해 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하고, 안정성을 확보하기 위해 교차 검증을 적용한다.
• 데이터 불균형 문제를 해결하기 위해 교통 데이터셋에서 비침수 도로를 무작위로 샘플링하여 두 폭풍 이벤트 모두에 균형 잡힌 훈련 세트를 확보한다.

실험 결과

연구 질문

• RQ1 군중 보고서 기반 와이즈 보고서와 세밀한 교통 데이터가 기계학습 모델에서 도로 침수 사건의 대체 지표로 효과적으로 기능할 수 있는가?
• RQ2 지형, 수문학적, 시간적 강수량 특성의 어떤 조합이 주요 폭풍 이벤트 동안 도로 침수 위험을 가장 강력하게 예측하는가?
• RQ3 트리 기반 기계학습 모델(랜덤 포레스트 및 AdaBoost)이 서로 다른 폭풍 이벤트에서 도로 침수를 예측할 때 성능 및 안정성 측면에서 어떻게 비교되는가?
• RQ4 강수량 및 지형적 특성이 수문학적 특성보다 도로 침수 위험도 예측에서 얼마나 더 뛰어난 성능을 보이는가?
• RQ5 와이즈와 INRIX 데이터와 같은 이질적인 데이터 소스에서 훈련된 모델은 최소한의 데이터 요구 조건으로도 다른 지역 및 폭풍 시나리오에 일반화될 수 있는가?

주요 결과

• 랜덤 포레스트 모델은 허리케인 하비에 대해 AUC 0.860, 토네이도 스톰 이멜다에 대해 0.790을 기록하여 강력한 예측 성능과 뛰어난 안정성을 입증하였다.
• 강수량 특성이 두 폭풍 이벤트 모두에서 도로 침수 위험도에 가장 중요한 예측 변수로 확인되었으며, 강우 강도와 지속 시간이 지배적인 역할을 한다는 점이 부각되었다.
• 지형적 특성(예: 고도, 경사)이 수문학적 특성(예: 불투수성, 거칠기)보다 도로 침수 예측에 더 큰 영향을 미쳤으며, 이는 지형이 국소 침수에 핵심적인 역할을 한다는 것을 시사한다.
• 랜덤 포레스트 모델은 두 이벤트 모두에서 안정적인 성능을 보였지만, AdaBoost 모델은 특히 이멜다 사례에서 더 높은 변동성을 보였다(AUC 0.720).
• 토양 피복 데이터의 시간적 불일치(2017년 및 2019년 폭풍에 대해 2016년 NLDAS 데이터 사용)와 데이터 가용성의 한계에도 불구하고 모델은 높은 예측 정확도를 유지하여 실시간 위험 모델링에 가능한 데이터를 활용할 수 있음을 입증하였다.
• 본 연구는 군중 보고서 및 센서 기반 데이터 통합이 정확하고 확장 가능하며 업데이트 가능한 도로 수준의 홍수 위험 예측을 가능하게 하며, 재난 대응 시 실시간 상황 인식을 지원한다는 점을 확인하였다.