[論文レビュー] A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting

Georgia Papacharalampous, Hristos Tyralis|arXiv (Cornell University)|Jun 17, 2022

Hydrological Forecasting Using AI参考文献 206被引用数 40

ひとこと要約

この論文は、確率的水文後処理および予測の改善を目的とした機械学習（ML）の概念および手法——特に分位数回帰、アンサンブル学習、ディープラーニング——をレビューする。予測精度と手法の透明性を向上させるために、オープンサイエンス、ベンチマーク、メタラーニングを重視し、MLベースの予測実装の形式化・最適化・最良の選択を統合的フレームワークで実現する。

ABSTRACT

Probabilistic forecasting is receiving growing attention nowadays in a variety of applied fields, including hydrology. Several machine learning concepts and methods are notably relevant towards addressing the major challenges of formalizing and optimizing probabilistic forecasting implementations, as well as the equally important challenge of identifying the most useful ones among these implementations. Nonetheless, practically-oriented reviews focusing on such concepts and methods, and on how these can be effectively exploited in the above-outlined essential endeavour, are currently missing from the probabilistic hydrological forecasting literature. This absence holds despite the pronounced intensification in the research efforts for benefitting from machine learning in this same literature. It also holds despite the substantial relevant progress that has recently emerged, especially in the field of probabilistic hydrological post-processing, which traditionally provides the hydrologists with probabilistic hydrological forecasting implementations. Herein, we aim to fill this specific gap. In our review, we emphasize key ideas and information that can lead to effective popularizations, as such an emphasis can support successful future implementations and further scientific developments. In the same forward-looking direction, we identify open research questions and propose ideas to be explored in the future.

研究の動機と目的

• 確率的水文後処理および予測のための機械学習（ML）手法に関する実用的で包括的なレビューが不足しているという点を解決すること。
• 特に水文的不確実性とモデル選択を扱うにあたり、確率的予測のMLベースの実装を形式化・最適化すること。
• 急速に増加する選択肢の中から、実用的有用性と多様な水文的条件下でのパフォーマンスに焦点を当て、最も効果的なML手法を同定すること。
• 水文的予測における手法の評価と再現性を促進するため、オープンデータやオープンソースソフトウェアなどのオープンサイエンスの実践を推進すること。
• 予測スキルを最大化し、リスクを最小限に抑えるための統合的でマルチメソッドのアプローチを提唱すること。

提案手法

• 確率的予測のための分位数回帰、アンサンブル学習、ディープラーニング、クラウドソーシングの知恵のアプローチを含む、主要なMLの概念を体系的にレビューする。
• 予測分布モデリングに基づくML手法を統合するフレームワークを提唱し、予測の信頼性と鋭さを向上させる。
• 時系列特徴（例：トレンド、季節性、非線形性）および水文的シグネチャーをメタ特徴として用い、モデル選択とパフォーマンス解釈を強化することに重点を置く。
• 再現性と手法的厳密性を確保するため、標準化されたオープンデータセットおよびソフトウェア（例：RおよびPythonパッケージ）を用いたベンチマークを推奨する。
• 時系列特性および流域シグネチャーに基づく自動手法選択を可能にする、新規で未だ十分に検討されていないメタラーニングのアプローチを導入する。
• 公開データ共有とバージョン管理されたソフトウェアを含むオープンサイエンスの実践を推奨し、透明性・スケーラビリティ・再現可能性に優れた予測研究を支援する。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習手法が確率的水文後処理および予測において最も効果的であり、それらはどのように体系的に評価できるか？
• RQ2 時系列および流域特性に基づく自動手法選択を可能にするために、メタラーニングは確率的水文予測にどのように応用できるか？
• RQ3 時系列特徴および水文的シグネチャーは、MLベースの予測モデルのパフォーマンス解釈と向上にどのような役割を果たすか？
• RQ4 オープンサイエンスの原則——特にオープンデータとオープンソースソフトウェア——は、確率的水文予測における手法開発とベンチマークをどのように加速するか？
• RQ5 予測スキルを最大化し、リスクを最小限に抑えるための統合的でマルチメソッドの戦略は何か？

主な発見

• 分位数回帰、アンサンブル学習、ディープラーニングなどの機械学習手法は、確率的水文予測の形式化と最適化を顕著に向上させる。
• メタラーニングは確率的水文予測分野ではまだほとんど検討されていないが、時系列および流域特徴に基づく自動手法選択の高い潜在的価値を有する。
• 時系列特徴（例：トレンド、季節性、非線形性）および水文的シグネチャーは、モデルパフォーマンスの解釈と手法選択の指針として価値がある。
• RおよびPythonパッケージを含む大規模なオープンデータセットと標準化されたソフトウェアを用いたベンチマークは、手法評価の加速と再現性の確保に不可欠である。
• オープンデータとオープンソースソフトウェアを含むオープンサイエンスの実践は、透明性・スケーラビリティ・信頼性に優れた確率的予測研究を進めるために不可欠である。
• 多様なML技術を統合する統合的でマルチメソッドのアプローチは、手法固有の制限に起因するリスクを低減しつつ、予測スキルを最大化できる。