[論文レビュー] A mixed model approach to drought prediction using artificial neural networks: Case of an operational drought monitoring environment

Chrisgone Adede, Robert Oboko+2 more|arXiv (Cornell University)|Jan 10, 2019

Hydrology and Drought Analysis参考文献 22被引用数 11

ひとこと要約

本研究では、遅延 precipitation および植生インデックスを用いて、1か月先の干ばつ予測を改善するため、一般化加法モデル（GAM）と人工ニューラルネットワーク（ANN）を組み合わせた混合モデル手法を提案する。R² > 0.7 を満たす21つのモデルに102個のGAMモデルを絞り込むことで、モデル空間の複雑さを低減し、最適な予測変数を同定する。その結果、出荷外データに対してR² = 0.78を達成するANNチャンピオンモデルが得られ、運用的干ばつモニタリングにおける優れた予測性能を示した。

ABSTRACT

Droughts, with their increasing frequency of occurrence, continue to negatively affect livelihoods and elements at risk. For example, the 2011 in drought in east Africa has caused massive losses document to have cost the Kenyan economy over $12bn. With the foregoing, the demand for ex-ante drought monitoring systems is ever-increasing. The study uses 10 precipitation and vegetation variables that are lagged over 1, 2 and 3-month time-steps to predict drought situations. In the model space search for the most predictive artificial neural network (ANN) model, as opposed to the traditional greedy search for the most predictive variables, we use the General Additive Model (GAM) approach. Together with a set of assumptions, we thereby reduce the cardinality of the space of models. Even though we build a total of 102 GAM models, only 21 have R2 greater than 0.7 and are thus subjected to the ANN process. The ANN process itself uses the brute-force approach that automatically partitions the training data into 10 sub-samples, builds the ANN models in these samples and evaluates their performance using multiple metrics. The results show the superiority of 1-month lag of the variables as compared to longer time lags of 2 and 3 months. The champion ANN model recorded an R2 of 0.78 in model testing using the out-of-sample data. This illustrates its ability to be a good predictor of drought situations 1-month ahead. Investigated as a classifier, the champion has a modest accuracy of 66% and a multi-class area under the ROC curve (AUROC) of 89.99%

研究の動機と目的

• 社会経済的影響を軽減するための正確で早期の干ばつ予測の増大するニーズに対応すること。
• 干ばつ予測における高次元モデル空間の複雑さを、GAMを用いて情報量の多い予測変数を事前に選択することで低減すること。
• 遅延気象およびリモートセンシング変数を用いた、運用的干ばつモニタリングに適した堅牢なデータ駆動型ANNモデルの構築すること。
• 独立したテストセットを用いた出荷外テストおよび多クラス分類指標を用いて、最終ANNモデルの予測性能を評価すること。

提案手法

• 本研究では、1か月、2か月、3か月の遅延 precipitation および植生インデックスの10個の遅延変数を入力特徴量として使用する。
• 一般化加法モデル（GAM）を用いて、予測変数と干ばつとの関係を調査し、R² > 0.7 を満たす21の高性能モデルにモデル空間を絞り込む。
• 選択された21のGAMモデルを用いて、10分割交差検証を用いたブルートフォースアプローチで人工ニューラルネットワーク（ANN）の学習と評価を実施する。
• ANNの学習プロセスでは、未学習データに対するモデルの汎化性能と頑健性を評価するための複数の性能指標を用いる。
• モデル選択は、独立したテストセットで評価された出荷外R²が最大となるANNを優先して行う。
• 最終モデルは、正解率および受信器操作特性曲線下積分（AUROC）を用いた分類器としての性能評価も実施する。

実験結果

リサーチクエスチョン

• RQ1 従来の変数選択手法と比較して、ハイブリッドGAM-ANNアプローチは干ばつ予測の正確性を向上させることができるか？
• RQ2 気象および植生変数のどの遅延時間ステップ（1か月、2か月、3か月）が、干ばつ予測において最も優れた性能を示すか？
• RQ3 選択されたANNモデルの出荷外予測性能は、1か月先の干ばつ予測においてどの程度か？
• RQ4 チャンピオンモデルは、多クラス干ばつ分類器としてどの程度の性能を示すか？

主な発見

• precipitation および植生変数の1か月遅延が、2か月および3か月遅延を上回る最も優れた予測性能を示した。
• チャンピオンANNモデルは、出荷外データに対してR² = 0.78を達成し、1か月先の干ばつ予測において優れた予測能力を示した。
• 検証された102個のGAMモデルのうち、R² > 0.7 を満たすのはわずか21個にとどまり、GAMがモデル空間を絞り込む有効性を示した。
• 分類器としての性能評価では、正解率66%および多クラスAUROC 89.99%を達成し、干ばつ深刻度クラス間での良好な識別能力を示した。
• 本研究では、GAMによる変数スクリーニングとANNによる最終モデル構築を組み合わせた混合モデルアプローチが、運用的干ばつモニタリングにおける予測性能を顕著に向上させることを確認した。