The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation

要約

洪水は生命や財産に恐ろしい被害をもたらす可能性があります。
しかし、ダム、ゲート、ポンプなどの水力構造物を効果的に使用することで、それらを軽減したり、回避したりすることができます。
異常気象が起こる前にこれらの構造物を介して事前に水を放出することで、水位が十分に低下し、洪水を防ぐことができます。
この研究では、予測情報に基づいた深層学習アーキテクチャである FIDLAR を提案します。これは、プレリリースによる洪水緩和と不必要な水の浪費のバランスをとることで、水理構造を備えた流域での洪水管理を最適な方法で実現します。
私たちは、頻繁に嵐や洪水が発生する傾向にある沿岸地域を管理する南フロリダ水管理地区からのデータを使用して、FIDLAR の実験を実行します。
結果は、FIDLAR が現在の最先端のものよりも優れたパフォーマンスを発揮し、数桁の速度向上とおそらくより優れたリリース前スケジュールを備えていることを示しています。
劇的なスピードアップにより、FIDLAR をリアルタイムの洪水管理に使用できるようになります。
この論文の主な貢献は、モデルの説明可能性のためのツールを効果的に使用し、モデルの決定に対するさまざまな環境要因の寄与を理解できるようにしたことです。

要約(オリジナル)

Floods can cause horrific harm to life and property. However, they can be mitigated or even avoided by the effective use of hydraulic structures such as dams, gates, and pumps. By pre-releasing water via these structures in advance of extreme weather events, water levels are sufficiently lowered to prevent floods. In this work, we propose FIDLAR, a Forecast Informed Deep Learning Architecture, achieving flood management in watersheds with hydraulic structures in an optimal manner by balancing out flood mitigation and unnecessary wastage of water via pre-releases. We perform experiments with FIDLAR using data from the South Florida Water Management District, which manages a coastal area that is highly prone to frequent storms and floods. Results show that FIDLAR performs better than the current state-of-the-art with several orders of magnitude speedup and with provably better pre-release schedules. The dramatic speedups make it possible for FIDLAR to be used for real-time flood management. The main contribution of this paper is the effective use of tools for model explainability, allowing us to understand the contribution of the various environmental factors towards its decisions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google