[論文レビュー] Comparison of Machine Learning Methods for Predicting Karst Spring Discharge in North China

Shu Cheng, Xiaojuan Qiao+2 more|arXiv (Cornell University)|Jul 25, 2020

Hydrological Forecasting Using AI参考文献 14被引用数 5

ひとこと要約

本研究では、中国北西部のカルスト渇水の発水量を予測するために、32年分の降水量および発水量データを用いて、多層パーセプトロン（MLP）、長短期記憶型再帰的ニューラルネットワーク（LSTM-RNN）、サポートベクターレグレッション（SVR）の3つの機械学習モデルを評価した。MLPおよびLSTM-RNNはSVRを著しく上回り、MLPは最小の誤差指標（MSE：0.0010、MAE：0.0254、RMSE：0.0318）を達成し、非線形な水文的ダイナミクスをモデル化する上で優位性を示した。

ABSTRACT

The quantitative analyses of karst spring discharge typically rely on physical-based models, which are inherently uncertain. To improve the understanding of the mechanism of spring discharge fluctuation and the relationship between precipitation and spring discharge, three machine learning methods were developed to reduce the predictive errors of physical-based groundwater models, simulate the discharge of Longzici Spring's karst area, and predict changes in the spring on the basis of long time series precipitation monitoring and spring water flow data from 1987 to 2018. The three machine learning methods included two artificial neural networks (ANNs), namely, multilayer perceptron (MLP) and long short-term memory-recurrent neural network (LSTM-RNN), and support vector regression (SVR). A normalization method was introduced for data preprocessing to make the three methods robust and computationally efficient. To compare and evaluate the capability of the three machine learning methods, the mean squared error (MSE), mean absolute error (MAE), and root-mean-square error (RMSE) were selected as the performance metrics for these methods. Simulations showed that MLP reduced MSE, MAE, and RMSE to 0.0010, 0.0254, and 0.0318, respectively. Meanwhile, LSTM-RNN reduced MSE to 0.0010, MAE to 0.0272, and RMSE to 0.0329. Moreover, the decrease in MSE, MAE, and RMSE were 0.0910, 0.1852, and 0.3017, respectively, for SVR. Results indicated that MLP performed slightly better than LSTM-RNN, and MLP and LSTM-RNN performed considerably better than SVR. Furthermore, ANNs were demonstrated to be prior machine learning methods for simulating and predicting karst spring discharge.

研究の動機と目的

• 物理ベースの地下水モデルにおけるカルスト渇水発水量の予測誤差を低減するため、機械学習を活用すること。
• 長期間にわたる降水量および発水量データ（1987–2018年）を用いて、中国北西部のロンジツー渇水の発水量をシミュレートおよび予測すること。
• 実世界の水文的条件下で、3つの機械学習手法（MLP、LSTM-RNN、SVR）の性能を評価すること。
• カルスト地下水層における非線形な渇水発水ダイナミクスをシミュレートおよび予測する上で、最も効果的な機械学習手法を特定すること。

提案手法

• 降水量と発水量の間の非線形関係をモデル化するために、多層パーセプトロン（MLP）および長短期記憶型再帰的ニューラルネットワーク（LSTM-RNN）を適用した。
• 比較的機械学習手法として、径路基底関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）を用いた。
• すべての3つの手法において、モデルの頑健性および計算効率を向上させるために、データ正規化を実施した。
• 1987年から2012年までの歴史的データを訓練に、2012年から2018年までのデータをテストに用いて、汎化性能を評価した。
• 標準指標として、平均二乗誤差（MSE）、平均絶対誤差（MAE）、および平均二乗根誤差（RMSE）を用いてモデルの性能を評価した。
• 散布図および統計的誤差解析を用いて、モデルの予測値と観測された発水量を比較した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、カルスト渇水発水量の物理ベースの地下水モデルにおける予測誤差を効果的に低減できるか？
• RQ2 長期間にわたる降水量および発水量データを用いて、MLP、LSTM-RNN、SVRは月次発水量を予測する上でどのように比較されるか？
• RQ3 どの機械学習モデルがロンジツー渇水カルスト地域における短期的発水量予測において最も正確か？
• RQ4 人工ニューラルネットワーク（ANN）は、従来の回帰モデルと比較して、カルスト水文的システムの非線形ダイナミクスをどの程度適切に捉えられるか？

主な発見

• MLPはMSE = 0.0010、MAE = 0.0254、RMSE = 0.0318という最小の誤差指標を達成し、優れた予測精度を示した。
• LSTM-RNNもMLPにほぼ並ぶ性能を示し、MSE = 0.0010、MAE = 0.0272、RMSE = 0.0329を達成し、時系列データに対して優れた性能を発揮した。
• SVRは著しく高い誤差を示し、MSE = 0.0910、MAE = 0.1852、RMSE = 0.3017であり、予測能力が弱いことが判明した。
• MLPおよびLSTM-RNNの両モデルは、散布図において予測値と観測値の点が1:1線に近く一致しており、観測値をよく再現していた。
• SVRは系統的なバイアスを示し、低流量時にはわずかに発水量を過剰に推定し、高流量時には過小に推定していた。
• ANNベースのモデル（MLPおよびLSTM-RNN）は、複雑な非線形ダイナミクスを捉える能力があるため、カルスト渇水発水量のシミュレーションおよび予測においてSVRよりも効果的であると判明した。