[논문 리뷰] Real-Time, Crowdsourcing-Enhanced Forecasting of Building Functionality During Urban Floods

Lei Xie, Peihui Lin외 2명|arXiv (Cornell University)|2026. 03. 18.

Flood Risk Assessment and Management인용 수 0

한 줄 요약

CRAF는 폐루프의 물리학 정보 프레임워크로, 크라우드소싱된 관찰치를 이용해 도시 홍수 중 건물 기능 저하를 다단계 실시간 예측으로 산출하고 예측 오차를 크게 줄인다.

ABSTRACT

Urban flood emergency response increasingly relies on infrastructure impact forecasts rather than hazard variables alone. However, real-time predictions are unreliable due to biased rainfall, incomplete flood knowledge, and sparse observations. Conventional open-loop forecasting propagates impacts without adjusting the system state, causing errors during critical decisions. This study presents CRAF (Crowdsourcing-Enhanced Real-Time Awareness and Forecasting), a physics-informed, closed-loop framework that converts sparse human-sensed evidence into rolling, decision-grade impact forecasts. By coupling physics-based simulation learning with crowdsourced observations, CRAF infers system conditions from incomplete data and propagates them forward to produce multi-step, real-time predictions of zone-level building functionality loss without online retraining. This closed-loop design supports continuous state correction and forward prediction under weakly structured data with low-latency operation. Offline evaluation demonstrates stable generalization across diverse storm scenarios. In operational deployment during Typhoon Haikui (2023) in Fuzhou, China, CRAF reduces 1-3 hour-ahead forecast errors by 84-95% relative to fixed rainfall-driven forecasting and by 73-80% relative to updated rainfall-driven forecasting, while limiting computation to 10 minutes per update cycle. These results show that impact-state alignment-rather than hazard refinement alone-is essential for reliable real-time decision support, providing a pathway toward operational digital twins for resilient urban infrastructure systems.

연구 동기 및 목표

• 편향된 강수량, 불완전한 홍수 지식, 희박한 관측으로 인한 실시간 홍수 영향 예측의 신뢰성 부족 문제를 해결한다.
• 물리 기반 시뮬레이션 학습과 크라우드소싱 데이터를 융합하는 폐루프 프레임워크를 개발한다.
• 온라인 재학습 없이 구역 단위 건물 기능에 대한 연속적이고 의사 결정 등급의 예측을 가능하게 한다.
• 다양한 폭풍 시나리오에 걸친 운용 성능 및 일반화를 시연한다.

제안 방법

• 크라우드소싱 강화 실시간 인식 및 예측 프레임워크인 CRAF를 도입한다.
• 불완전한 데이터로부터 시스템 상태를 추론하기 위해 물리 기반 시뮬레이션 학습과 크라우드소싱 관찰치를 결합한다.
• 추정된 상태를 전진 확산하여 구역 수준 건물 기능 손실의 다단계 실시간 예측을 생성한다.
• 온라인 재학습 없이 10분의 업데이트 주기로 저지연 운용을 유지한다.
• 다양한 폭풍 시나리오에 걸친 오프라인 일반화를 평가하고 2023년 허이구이? Haikui(2023) in Fuzhou, China에서 배포한다.

실험 결과

연구 질문

• RQ1 희박한 인간 감지 증거를 물리 기반 시뮬레이션과 통합하여 홍수 중 건물 기능의 정확한 실시간 예측을 어떻게 생성할 수 있을까?
• RQ2 제약된 구조의 데이터 하에서 상태 보정형 폐루프 접근 방식이 약한 구조의 데이터에서 개방 루프의 강수량 주도 예측보다 우수한가?
• RQ3 프레임워크가 서로 다른 폭풍 시나리오에 걸쳐 일반화되고 운영 환경에서 신뢰할 수 있는 의사결정 등급의 예측을 제공할 수 있는가?

주요 결과

• 푸저우에서 2023년 태풍 Haikui(2023) 동안의 운용 배치에서, CRAF은 고정된 강수량 주도 예측에 비해 1-3시간 앞 예측 오차를 84-95% 감소시킨다.
• CRAF은 업데이트된 강수량 주도 예측에 비해 1-3시간 앞 예측 오차를 73-80% 감소시킨다.
• 이 프레임워크는 업데이트 주기당 계산을 10분으로 제한하여 이러한 이득을 달성한다.
• 결과는 위험 개선뿐 아니라 신뢰할 수 있는 실시간 의사결정 지원에 필수적인 것은 영향-상태 정렬임을 강조한다.