2020/10/23 2020/10/24

AIの最新論文の読解（No.1）: 洪水予測の"HydroNets"

アクセス: 124

コメント: 0

"<a href="https://ai4earthscience.github.io/iclr-2020-workshop/papers/ai4earth04.pdf">HYDRONETS: LEVERAGING RIVER STRUCTURE FOR HYDROLOGIC MODELING</a>"(ICLR 2020, Zach Moshe, etc., Google Research, Tel Aviv)を簡単に解説します。 
近年、何億人もの人々の生活に影響を及ぼし、毎年約100億ドルの損害を引き起こしていますが、Google Research（GR）は、過去数年間の努力と最新の研究成果によりインドとバングラデシュの洪水予測の予測精度を改善しました。その研究成果の一部がこの論文です。 
　GRは「形態学的氾濫モデル」と呼ばれる氾濫モデリングの新しいアプローチを考案しましたが、この手法は物理ベースのモデリングと機械学習（ML）を組み合わせて、実際の設定でより正確でスケーラブルな氾濫モデルの作成を可能にしました。さらに、新しいアラートターゲティングモデルでは、エンドツーエンドの機械学習モデルと世界中の公開データを使用して、前例のない規模で洪水のリスクがあるエリアを特定することができます。 
　この論文では、HydroNetsと呼ばれる水文モデルに特化したDNNを作成し、次世代の洪水予測システムのプロトタイピングシステムを開発。このMLモデルでは、各場所での予測精度を最適化しながら、複数の流域にわたる水文モデリング用に特別に開発された新しいDNNアーキテクチャが採用されています。
１）形態学的氾濫モデリング 
以前の研究では、衛星画像に基づいて高品質の標高マップを開発し、物理ベースのモデルを実行してこれらのデジタル地形を横切る水の流れをシミュレートしました。これにより、データが不足している地域で前例のない解像度と精度で警告が可能になりました。衛星パートナーであるエアバス、マクドナルド、プラネットと協力して、標高マップを数億平方キロメートルに拡大しました。しかし、高精度を維持しながら、このような広いエリアにカバレッジを拡大するには、浸水モデルの開発方法を再発明する必要がありました。 
形態学的モデル と呼ばれる浸水モデリングへの新しいアプローチは、いくつかの革新的なトリックを使用して、水流の複雑な動作をリアルタイムでモデル化する代わりに、静水圧システムを説明するような単純な物理的原理を使用して浸水をシミュレートできるように、標高マップの形態の変更を計算します。 
まず、純粋なMLモデル（物理ベースの情報がない）をトレーニングして、ゲージ測定から1次元の河川プロファイルを推定します。モデルは、川の特定のポイント（ストリームゲージ）の水位を入力として受け取り、川のすべてのポイントの水位である川のプロファイルを出力します。ゲージが増加すると、水位は単調に増加すると仮定します。つまり、川の他のポイントの水位も増加します。また、川のプロファイルの絶対標高が下流で減少すると仮定します（つまり、川は下り坂を流れます）。 
次に、この学習したモデルといくつかのヒューリスティックを使用して、標高マップを編集し、その領域が浸水した場合に存在する圧力勾配をほぼ「キャンセル」します。この新しい合成標高マップは、単純なフラッドフィルアルゴリズムを使用してフラッド動作をモデル化するための基盤を提供します。最後に、結果として得られた浸水マップを、元のストリームゲージ測定値を使用して衛星ベースの浸水範囲と照合します。 
このアプローチは、古典物理学ベースのモデルの現実的な制約の一部を放棄しますが、既存の方法が現在苦労しているデータが不足している地域では、その柔軟性により、モデルは自動的に正しい水深を学習し、物理学ベースのモデルが敏感であるさまざまなエラーを修正できます。この形態学的モデルは、精度を3％向上させます。これにより、広い領域の予測が大幅に向上すると同時に、手動のモデリングと修正の必要性が減るため、モデル開発がはるかに迅速になります。 <img height="54" src="/p/o77nbikx5dsxihuxr7os-50f5183f.gif" style="width:300px;height:127px;" width="128" alt="o77nbikx5dsxihuxr7os-50f5183f.gif" />
２）アラートターゲティング 
多くの人々は、形態学的氾濫モデルでカバーされていない地域に住んでいますが、それでも正確な予測へのアクセスが緊急に必要とされています。この人口に到達し、洪水予測モデルの影響を高めるために、エンドツーエンドのMLベースのアプローチが取られました。これは、ストリームゲージの測定値、公共の衛星画像、低気圧など、世界中で公開されているデータをほぼ独占的に使用しています。解像度標高マップ。受け取ったデータを使用して浸水マップをリアルタイムで直接推測するようにモデルをトレーニングします。 <img height="333" src="/p/ftdaxm446yzns6etr2jc-86d08e43.gif" style="width:450px;height:234px;" width="640" alt="ftdaxm446yzns6etr2jc-86d08e43.gif" /> 
　下のHydroNetsの情報の構造と流れを示しています。上流のサブ盆地のモデリングからの出力は、特定の盆地の状態の単一の表現に結合されます。次に、ネットワーク内のすべての流域から通知される共有モデルコンポーネントによって処理され、水位（および損失関数）を計算するラベル予測モデルに渡されます。次に、ネットワークのこの反復からの出力は、ダウンストリームモデルに通知するために渡されます。 <img height="640" src="/p/pk7t4iivz3gyo3b3i7t9-e7cfe043.gif" style="width:450px;height:450px;" width="640" alt="pk7t4iivz3gyo3b3i7t9-e7cfe043.gif" />

AIの最新論文の読解（No.1）: 洪水予測の"HydroNets"

人気記事ランキング

噂のNotionですっきり、A…

YOLOv5 登場！このプロ…

PyTorchの躍進を紐解く３…

深層学習はシステム1から…

XGBoost（GBDT）とランダ…

いいね！ランキング

AIにはPythonと微分と確率は欠かせない。

XGBoost（GBDT）とランダムフォレストから…

ディープラーニングを学び始めた方へ　東…

深層学習はシステム1からシステム2へ

なぜZoomは40分で切れるのか？

im2colに慣れるための最初の一歩　～何を…

DETRで自動車の物体検出をやってみました！

ユーザーランキング

タグランキング

深層学習

ディープラーニング

AI

deeplearning

Transformer