[论文解读] Predicting Natural Hazards with Neuronal Networks

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

Landslides and related hazards参考文献 11被引用 4

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，通过从地形数据和现有危险区域图中学习空间模式，自动生成雪崩危险区域地图。该方法在验证区域实现了85%的top-1准确率和94%的top-2准确率，证明了其在极少人工干预下实现可扩展、数据驱动的危险区域制图的可行性。

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.

研究动机与目标

• 开发一种基于深度学习的自动化、数据驱动方法，用于生成雪崩危险区域地图。
• 减少对劳动密集型、依赖专家的危险区域制图流程的依赖，此类流程成本高且仅限于高优先级区域。
• 探究卷积神经网络是否能够从地形特征中学习空间脆弱性模式，而无需人工特征工程。
• 评估利用训练模型将知识从一个区域迁移至另一区域的可行性。
• 提升高山区域（包括人口稀少或地图覆盖不足的区域）危险区域制图的可扩展性和标准化水平。

提出的方法

• 该任务被建模为语义分割问题，其中每个地形点被分类为脆弱（红色）、高度脆弱（黄色）或安全（绿色）。
• 使用高程数据和相应的官方危险区域图，训练一种旋转不变的卷积神经网络，以学习与雪崩风险相关联的空间模式。
• 网络直接处理地形数据，自动提取坡度、曲率和排水模式等相关特征，无需人工特征选择。
• 训练使用包含相应危险标签的地形块平衡数据集，通过随机梯度下降和交叉熵损失函数进行优化。
• 通过在未见的验证区域上评估top-1和top-2准确率来评估模型性能，并将结果与官方危险区域图进行可视化对比。
• 使用最终训练好的模型，可在数分钟内生成新的危险区域地图，而无需为每个新区域重新训练。

实验结果

研究问题

• RQ1 卷积神经网络是否能够仅从地形数据中学习并预测雪崩危险区域，而无需显式特征工程？
• RQ2 深度学习模型在预测雪崩影响范围时，能否从一个高山区域泛化到另一个区域？
• RQ3 模型在预测中在多大程度上保持了已记录雪崩的空间结构？
• RQ4 数据不平衡和过拟合对模型性能有何影响，以及如何缓解这些问题？
• RQ5 通过统计模式识别，模型的内部表征是否能揭示关于雪崩形成过程的新见解？

主要发现

• 在Längenfeld验证区域，模型实现了约85%的top-1准确率和94%的top-2准确率；在Stanzer Valley区域，相应准确率分别为60%和90%。
• 在约2,000次优化步骤后，验证准确率达到峰值约50%，表明存在早期过拟合，提示需要更多训练数据。
• 网络成功识别了大多数已记录的雪崩路径，但预测中影响范围的形态表现较差。
• 绿色（安全）区域被高度准确地预测，尤其是在陡峭地形中，表明对低风险区域具有较强的泛化能力。
• 该方法可使用训练好的模型在数分钟内快速生成危险区域地图，表明其在更广泛区域应用中具备可扩展性。
• 模型性能凸显了迁移学习和自动化危险区域制图的潜力，但当前结果受限于数据稀缺和过拟合问题。