[論文レビュー] Multi-Output Artificial Neural Network for Storm Surge Prediction in North Carolina

Anton Bezuglov, Brian Blanton+1 more|arXiv (Cornell University)|Sep 23, 2016

Tropical and Extratropical Cyclones Research参考文献 30被引用数 9

ひとこと要約

本稿では、ハリケーンの経路および強度パラメータを入力として用い、ノースカロライナ州の沿岸部におけるリアルタイムの高潮予測を目的とした、マルチアウトプットのフィードフォワード型人工ニューラルネットワーク（ANN）を提案する。高解像度のADCIRCシミュレーションで訓練された本モデルは、10か所の沿岸地域で高速かつ高精度な予測を達成しており、従来手法と同等またはそれ以上の性能を示すが、フィードフォワード構造に記憶機能がないため、ピーク高潮を時々低予測してしまうという問題がある。

ABSTRACT

During hurricane seasons, emergency managers and other decision makers need accurate and `on-time' information on potential storm surge impacts. Fully dynamical computer models, such as the ADCIRC tide, storm surge, and wind-wave model take several hours to complete a forecast when configured at high spatial resolution. Additionally, statically meaningful ensembles of high-resolution models (needed for uncertainty estimation) cannot easily be computed in near real-time. This paper discusses an artificial neural network model for storm surge prediction in North Carolina. The network model provides fast, real-time storm surge estimates at coastal locations in North Carolina. The paper studies the performance of the neural network model vs. other models on synthetic and real hurricane data.

研究の動機と目的

• ハリケーンシーズン中の緊急対応意思決定を支援するため、ノースカロライナ州の沿岸地域向けに高速でリアルタイムの高潮予測モデルを開発すること。
• ADCIRCのような高解像度動的モデルが1回の予測に数時間もかかる計算遅延を克服すること。
• 複数の沿岸地域の高潮を一度に予測できる1つのマルチアウトプットANNを構築し、効率性を向上させること。
• 合成および実際のハリケーンの経路（1996年のフレン、2003年のイザベルを含む）に対して、ANNの性能をADCIRCシミュレーションと比較すること。
• フィードフォワード型ANNが、特に高潮の変動が大きい地域において、複雑な高潮ダイナミクスを捉える際に抱える制限を特定すること。

提案手法

• ReLU活性化関数を用いた2層のフィードフォワードニューラルネットワークを採用し、隠れ層に32または64ニューロンを配置する。
• 入力特徴量には、ハリケーンパラメータとして、中心気圧、最大風速半径、進行速度、および各タイムステップ（30分間隔）におけるストーム中心位置が含まれる。
• 本モデルは、ノースカロライナ州の沿岸部における1,000件の合成ハリケーン経路およびそれに対応するADCIRCシミュレート済みの高潮応答データセットで訓練された。
• モデルはTensorFlowディープラーニングライブラリを用いて実装され、公開されたオープンソースソフトウェアとして提供されている。
• モデルの性能評価には、10か所の沿岸地域におけるANN予測値とADCIRC「真値」の間の平均二乗誤差（RMSE）および平均絶対誤差（MAE）が用いられた。
• 複数のアーキテクチャ設定を比較することで、精度と計算複雑性の最適なトレードオフを同定した。

実験結果

リサーチクエスチョン

• RQ1 マルチアウトプットのフィードフォワード型ANNは、ノースカロライナ州の複数の沿岸地域において、高速かつ高精度な高潮予測を提供できるか？
• RQ2 予測精度と計算速度の観点から、ADCIRCのような高解像度動的モデルと比較して、ANNの性能はいかがなものか？
• RQ3 フィードフォワード型ANNは、特に高潮の変動が大きい地域において、極端な高潮イベントを捉える際にどのような制限を抱えているか？
• RQ4 本ANNは、学習データに含まれない実際のハリケーン（例：1996年のフレン、2003年のイザベル）に対しても一般化可能か？
• RQ5 なぜANNは特定の地域で負の高潮値を予測してしまうことがあるのか？これはアーキテクチャ上の制約に起因するものだろうか？

主な発見

• 隠れ層に32または64ニューロンを有するマルチアウトプットANNが、精度と計算効率のバランスが最も良く、他のテストされたアーキテクチャを上回った。
• ハリケーン・フレン（1996年）では、地点8におけるピーク高潮を2.25 mと予測したが、ADCIRCモデルの結果は2.6 mであり、その地点でのRMSEは0.35 m、MAEは0.28 mであった。
• ハリケーン・イザベル（2003年）では、北部沿岸地域（地点1～4）においてピーク高潮の著しい低予測が見られた。特に、ストームの大型風域が広範囲にわたって洪水を引き起こした地域で、誤差が増大した。
• 地点8～10では物理的に不自然な負の高潮予測が観察されたが、これはフィードフォワード構造が時間的文脈や記憶を保持できないことによるものと著者らが特定している。
• 平均誤差は低かったものの、複雑な水深勾配や大型の風域を有する地域では、ピーク高潮値を一貫して低予測してしまう傾向があり、これは記憶のない設計に起因する根本的な制限であると示唆された。
• TensorFlowを用いたオープンソース実装により、十分な学習データが得られれば、他の沿岸地域への展開や応用が可能である。