HydroNets：最近の洪水予測の改善の背後にある技術(3/3)

１．HydroNets：洪水予測の最近の改善の背後にある技術(3/3)まとめ

・HydroNetは水位予測に特化して構築された特別なディープニューラルネットワーク
・HydroNetは「地点間で共通化する処理」と「特定地点に固有の処理」を区別可能
・河川のネットワーク構造を考慮に入れて各流域を表す小さなネットを組み込んでいる

２．HydroNetsの構造

以下、ai.googleblog.comより「The Technology Behind our Recent Improvements in Flood Forecasting」の意訳です。元記事の投稿は2020年9月3日、Sella Nevoさんによる投稿です。

アイキャッチ画像のクレジットはPhoto by Andreas Eriksson on Unsplas

このアプローチは、モデルが過去に観察された洪水規模の範囲内で予測するのであれば「何の調整もせずにそのまま」使う事が出来ます。

より極端な条件を設定して、未知の規模の洪水を予測する事ははるかに困難です。それにもかかわらず、既存の標高マップとリアルタイム測定を適切に使用することで、より詳細な形態学的浸水モデルでカバーできていないエリアで、現在利用可能な洪水警報よりも正確な洪水警報を行う事ができます。

このモデルは非常に規模拡大が容易であるため、ほんの数か月の作業でインド全土に展開する事ができました。近いうちにもっと多くの国に展開したいと考えています。

水位予測の改善
洪水予測を改善し続けるために、HydroNetを開発しました。HydroNetは水位予測に特化して構築された特別なディープニューラルネットワークアーキテクチャです。これにより、現実世界の運用環境でMLベースの水文学(Hydrology:すいもんがく、水の循環を主な研究対象とする地球科学の一分野)のエキサイティングな最近の進歩を利用できます。

2つの顕著な特徴が標準的な水文モデルとは異なります。

第1に、降雨流出プロセスのモデリングなど「地点間で共通化する処理」と予測排出量を予測水位に変換する定格曲線のような「特定地点に固有の処理」を区別できます。これにより、モデルをさまざまな地点に適切に一般化しながら、パフォーマンスを各地点で微調整できます。

第2に、HydroNetsは、モデル化する河川のネットワーク構造を考慮に入れています。それぞれが川の異なった流域を表す小さなニューラルネットワークを網のように組み込んで大規模なネットワークを構成し、これをトレーニングします。

これにより、上流地点をモデル化しているニューラルネットワークは、embeddingsにエンコードした情報を下流地点のモデルに渡すことができるため、全てのモデルは、パラメーターを大幅に増やすことなく、必要な情報を全て知ることができます。

以下のアニメーションは、HydroNetsの構造と情報処理の流れを示しています。上流地点のモデリングの出力は、河川の特定の状態を表す単一の特徴表現に結合されます。次に、ネットワーク内の全ての流域から通知を受け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。ネットワークのこの反復出力が下流モデル等に通知されます。

HydroNetsアーキテクチャの図

私達はこの進歩に非常に興奮しており、システムをさらに改善するために懸命に取り組んでいます。

謝辞
この作業は、Google Flood Forecasting Initiative、Google Geo、Crisis Response teams、Google.org、およびGoogleの他の多くの調査チームのコラボレーションで、AI for Social Goodの取り組みの一部です。また、パートナーシップチームとポリシーチームにも感謝いたします。