[論文レビュー] From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data

Wen‐Ping Tsai, Ming Pan+4 more|arXiv (Cornell University)|Jul 30, 2020

Hydrology and Watershed Management Studies参考文献 58被引用数 7

ひとこと要約

この論文は、地球科学的モデリングにおける従来の進化的アルゴリズムベースのキャリブレーションを置き換える、フォワードマッピング・パラメータ学習（fPL）フレームワークを導入する。fPLは深層学習アプローチを採用することで、計算時間を数個のオーダー短縮しつつ、同等または優れた精度と向上した空間的整合性を達成する。fPLはビッグデータから普遍的で物理的に整合性のあるパラメータマップを学習し、未キャリブレーション変数の一般化性能と予測精度を向上させる。

ABSTRACT

The behaviors and skills of models in many geoscientific domains strongly depend on spatially varying parameters that lack direct observations and must be determined by calibration. Calibration, which solves inverse problems, is a classical but inefficient and stochasticity-ridden approach to reconcile models and observations. Using a widely applied hydrologic model and soil moisture observations as a case study, here we propose a novel, forward-mapping parameter learning (fPL) framework. Whereas evolutionary algorithm (EA)-based calibration solves inversion problems one by one, fPL solves a pattern recognition problem and learns a more robust, universal mapping. fPL can save orders-of-magnitude computational time compared to EA-based calibration, while, surprisingly, producing equivalent ending skill metrics. With more training data, fPL learned across sites and showed super-convergence, scaling much more favorably. Moreover, a more important benefit emerged: fPL produced spatially-coherent parameters in better agreement with physical processes. As a result, it demonstrated better results for out-of-training-set locations and uncalibrated variables. Compared to purely data-driven models, fPL can output unobserved variables, in this case simulated evapotranspiration, which agrees better with satellite-based estimates than the comparison EA. The deep-learning-powered fPL frameworks can be uniformly applied to myriad other geoscientific models. We contend that a paradigm shift from inverse parameter calibration to parameter learning will greatly propel various geoscientific domains.

研究の動機と目的

• 地球科学的モデルにおける従来の逆パラメータキャリブレーションの非効率性と確率的性質を解決すること。
• 大規模な水文モデルにおける計算コストを削減しつつ、予測精度を維持または向上させること。
• ビッグジオスぺーシャルデータから空間的整合性のあるパラメータを学習するスケーラブルで普遍的なフレームワークを構築すること。
• 学習されたパララメータマッピングを用いて、蒸発散量などの観測されていない変数を正確に予測できること。
• 地球科学的モデリングにおけるキャリブレーションから学習へのパラダイムシフトを確立すること。

提案手法

• fPLフレームワークは深層学習を用いて、モデル入力（例：地形、土地被覆）から最適な空間可変パラメータへの直接フォワードマッピングを学習する。
• 反復的逆解法を回避するため、モデル入力とキャリブレーション済みパラメータの合成または観測データペアを用いて学習を行う。
• 本手法は大規模な土壌水分観測データと広く用いられる水文モデルを事例として用いる。
• 複数の地域で学習することで、未学習の場所にも一般化可能な普遍的なパラメータマッピングを学習する。
• フレームワークは訓練データの増加に伴い効率的にスケーリングされ、スーパー・コンバージェンスの挙動を示す。
• キャリブレーション済みパラメータに加え、蒸発散量などの観測されていないモデル変数も出力し、衛星データと照合して検証する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型パラメータ学習フレームワークは、従来のキャリブレーションを計算効率と予測精度の両面で上回ることができるか？
• RQ2 fPLは訓練データセット外の場所に、キャリブレーションベースの手法と比較してどの程度一般化できるか？
• RQ3 fPLは学習されたパラメータの空間的整合性と物理的整合性をどの程度向上できるか？
• RQ4 fPLは蒸発散量などの観測されていない水文変数を正確に予測できるか？
• RQ5 fPLフレームワークにおいて、訓練データの増加に伴いモデル性能はどのように変化するか？

主な発見

• fPLは進化的アルゴリズムベースのキャリブレーションと同等または優れたスコアを達成したが、計算時間を数個のオーダー短縮した。
• fPLはスーパー・コンバージェンスを示し、訓練データの増加に伴い、キャリブレーション手法よりも著しく迅速に性能が向上した。
• fPLで学習されたパラメータは、キャリブレーション手法に比べて空間的整合性が強く、物理的プロセスとより整合性が高かった。
• fPLは衛星観測データとよりよく一致する、より正確な蒸発散量推定値を生成した。
• fPLは未キャリブレーションの場所や変数に対しても効果的に一般化でき、訓練済みの場所を超えた頑健性と転送可能性を示した。
• このフレームワークは他の地球科学的モデルに対しても普遍的に適用可能であり、キャリブレーションから学習へのパラダイムシフトを示唆している。