HaorFloodAlert: 방글라데시 Haor 습지의 72시간 홍수 예측을 위한 탈계절화된 머신러닝 (ML) 앙상블
요약
방글라데시 Haor 습지의 돌발 홍수를 예측하기 위해 탈계절화된 머신러닝 앙상블 모델인 HaorFloodAlert를 개발했습니다. 이 시스템은 Sentinel-1 SAR 데이터를 활용하여 72시간 전 홍수 확률을 예측하며, 계절적 요인에 의한 정확도 왜곡을 방지하도록 설계되었습니다. 또한 3단계 경보 파이프라인과 쌀 피해 추정기를 포함하여 실질적인 농업 보호를 목표로 합니다.
핵심 포인트
- RF와 XGBoost를 결합한 앙상블 모델을 통해 89.6%의 높은 예측 정확도와 0.943의 AUC-ROC 달성
- 온도 등 계절적 요인으로 인한 모델 성능 왜곡을 방지하기 위해 탈계절화(De-seasonalization) 기법 적용
- Sentinel-1 SAR 데이터를 활용한 변화 탐지로 약 36시간의 선행 시간(lead time) 확보
- BRRI(방글라데시 쌀 연구소)의 데이터를 기반으로 한 boro 쌀 피해 추정 기능 통합
방글라데시의 Haor 습지에서 발생하는 돌발 홍수(Flash floods)는 거의 아무런 예고 없이 나타납니다. 이러한 홍수는 매년 boro 쌀 수확을 망가뜨립니다. 강 유역 홍수(riverine floods)를 위해 구축된 현재의 시스템들은 배수 역학(backwater dynamics)을 완전히 놓치고 있습니다. 이 분지들은 평탄합니다. 물의 흐름이 Brahmaputra 강에서와 같이 작동하지 않습니다. 우리는 Sunamganj Haor(약 8,000 km²)의 72시간 홍수 확률을 예측하는 탈계절화된 머신러닝 (ML) 앙상블인 HaorFloodAlert를 구축했습니다. 온도는 일종의 계절적 치트 코드(seasonal cheat code)로 작용했습니다. 홍수가 따뜻한 달에 발생한다는 이유만으로 정확도를 6.9 pp(퍼센트 포인트)만큼 부풀렸습니다. 우리는 이를 포착했습니다. 또한 Assam주 Silchar에서 상류 Barak River Sentinel-1 SAR 프록시를 구축하여 약 36시간의 선행 시간(lead time)을 확보했습니다. Otsu 임계값(Otsu-thresholded) 기반의 SAR 변화 탐지(change detection)는 84-91%의 공간 일치율로 검증되었습니다. 운영용 앙상블(RF 0.5625 + XGBoost 0.4375)은 77개의 실제 Sentinel-1 이벤트를 대상으로 LOOCV(Leave-One-Out Cross-Validation) 정확도 89.6%, 재현율(recall) 87.5%, 그리고 0.943의 AUC-ROC를 달성했습니다. 3단계 경보 파이프라인과 BRRI(Bangladesh Rice Research Institute)에 의해 보정된 boro 쌀 피해 추정기가 포함되어 있습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기