機械学習を用いた水文学的・社会経済的人口統計学による洪水保険金請求額の予測。地形、少数民族、政治的非類似性の役割を探る

Predicting flood insurance claims with hydrologic and socioeconomic demographics via machine learning: Exploring the roles of topography, minority populations, and political dissimilarity.

• James Knighton
• Brian Buchanan
• Christian Guzman
• Rebecca Elliott
• Eric White
• Brian Rahm

抄録

洪水リスクに関する現在の研究では、多くの場合、ハザードの理解に重点が置かれ、暴露と脆弱性の複雑な経路が軽視されている。我々は、米国ニューヨーク州内の区画レベルおよびトラクトレベルの洪水保険金請求を予測するために訓練されたランダムフォレスト（RF）回帰および分類アルゴリズムを用いて、水文学的および社会的人口統計学的データの両方を洪水暴露マッピングに使用することを調査した。地形特性が洪水保険金請求頻度を最もよく記述していたが、社会経済データを組み込むことで、RF予測スキルは両方の空間スケールで改善された。保険金請求の予測に少数民族の居住者の割合、住宅ストックの価値と年齢、投票区の政治的非類似性指数を使用すると、トラクトレベルで大幅な改善が見られた。保険金請求件数が多く、低平地の課税区画の密度が高い国勢調査区では、少数派住民の割合が低く、住宅の築年数が浅く、州レベルの政府との政治的類似性が低い傾向があった。我々は、土地利用の異なる近隣の 2 つの流域における洪水請求権の空間的広がりを予測するために、この データ駆動型アプローチと、物理的ベースの陸域洪水ルーティングモデルを比較した。物理的ベースのモデリングで定義した氾濫原は、既存の連邦政府の洪水保険料率マップとよく一致していたが、過去の請求発生地域の空間的広がりを過小評価していた。対照的に、水文学的および社会経済的人口統計学的データを組み込んだ RF 分類では、洪水にさらされている地域を過大評価している可能性が高い。我々の研究は、社会データを定量的に組み込むことで、洪水曝露の推定値を改善できることを示している。

Current research on flooding risk often focuses on understanding hazards, de-emphasizing the complex pathways of exposure and vulnerability. We investigated the use of both hydrologic and social demographic data for flood exposure mapping with Random Forest (RF) regression and classification algorithms trained to predict both parcel- and tract-level flood insurance claims within New York State, US. Topographic characteristics best described flood claim frequency, but RF prediction skill was improved at both spatial scales when socioeconomic data was incorporated. Substantial improvements occurred at the tract-level when the percentage of minority residents, housing stock value and age, and the political dissimilarity index of voting precincts were used to predict insurance claims. Census tracts with higher numbers of claims and greater densities of low-lying tax parcels tended to have low proportions of minority residents, newer houses, and less political similarity to state level government. We compared this data-driven approach and a physically-based pluvial flood routing model for prediction of the spatial extents of flooding claims in two nearby catchments of differing land use. The floodplain we defined with physically based modeling agreed well with existing federal flood insurance rate maps, but underestimated the spatial extents of historical claim generating areas. In contrast, RF classification incorporating hydrologic and socioeconomic demographic data likely overestimated the flood-exposed areas. Our research indicates that quantitative incorporation of social data can improve flooding exposure estimates.

Copyright © 2020 The Authors. Published by Elsevier Ltd.. All rights reserved.