[論文レビュー] High-resolution rainfall-runoff modeling using graph neural network

Zhongrun Xiang, İbrahim Demir|arXiv (Cornell University)|Oct 21, 2021

Hydrology and Watershed Management Studies参考文献 17被引用数 5

ひとこと要約

本論文では、流域内の流れの方向と地理的特徴を含む高分解能空間データを活用して、流出予測を向上させるグラフニューラルネットワークベースの降雨-流出モデル、GNRRMを提案する。流域の動的挙動を、空間グリッドセルをノードとして表し、流れの接続性をエンコードするエッジで構成されるグラフとしてモデル化することで、GNRRMは微細な水文的プロセスを捉え、ベースラインモデルと比較して優れた性能と過学習の低減を達成する。

ABSTRACT

Time-series modeling has shown great promise in recent studies using the latest deep learning algorithms such as LSTM (Long Short-Term Memory). These studies primarily focused on watershed-scale rainfall-runoff modeling or streamflow forecasting, but the majority of them only considered a single watershed as a unit. Although this simplification is very effective, it does not take into account spatial information, which could result in significant errors in large watersheds. Several studies investigated the use of GNN (Graph Neural Networks) for data integration by decomposing a large watershed into multiple sub-watersheds, but each sub-watershed is still treated as a whole, and the geoinformation contained within the watershed is not fully utilized. In this paper, we propose the GNRRM (Graph Neural Rainfall-Runoff Model), a novel deep learning model that makes full use of spatial information from high-resolution precipitation data, including flow direction and geographic information. When compared to baseline models, GNRRM has less over-fitting and significantly improves model performance. Our findings support the importance of hydrological data in deep learning-based rainfall-runoff modeling, and we encourage researchers to include more domain knowledge in their models.

研究の動機と目的

• 大規模な流域における空間的水文的ダイナミクスを捉えることに限界を示す既存のディープラーニングモデルの課題に対処すること。
• 高分解能の降水量、流れの方向、地理的情報を統合した包括的なディープラーニングフレームワークを構築し、降雨-流出モデリングの性能を向上させること。
• 水文的システムにおける空間的グラフ構造を活用することで、過学習を低減し、モデルの汎化性能を向上させること。
• 分野特有の水文的データをグラフニューラルネットワークアーキテクチャに統合することで、環境モデリングにおける価値を実証すること。

提案手法

• GNRRMモデルは、各ノードが降水量、標高、流れの方向の特徴を持つグリッドセルに対応する空間的グラフとして流域を表現する。
• グラフ畳み込み層は、流れの経路に沿って隣接ノードからの情報を集約することで、空間的依存関係を処理し、水文的接続性を保持する。
• モデルは、流域全体にわたる流れのダイナミクスを伝搬するためのグラフベースのメッセージパッシング機構を用い、複雑な流出プロセスのエンドツーエンド学習を可能にする。
• 勾配勾配や土地被覆などの地理空間的特徴をノードレベルの特徴として組み込み、各グリッドセルの表現を豊かにする。
• アーキテクチャは、観測された流出量をターゲットとして、時系列の予測誤差を最小化する損失関数を用いてエンドツーエンドで訓練される。
• 局所的および領域的水文的パターンを捉えるために、マルチスケールのグラフプーリング戦略が適用される。

実験結果

リサーチクエスチョン

• RQ1 空間的流れの方向と地理的情報を活用することで、グラフニューラルネットワークが高分解能の降雨-流出プロセスを効果的にモデル化できるか？
• RQ2 詳細な空間的情報を統合することで、従来の流域スケールモデルと比較して、予測精度がどの程度向上するか？
• RQ3 標準的なRNNおよびLSTMベースラインと比較して、GNRRMは過学習をどの程度低減するか？
• RQ4 水文的分野知識の統合が、多様な流域条件においてモデルの汎化性能を向上させるか？

主な発見

• GNRRMは、高分解能データセットにおいて、標準的なLSTMおよびGNNベースラインを著しく上回る流出予測の正確性を達成する。
• 水文的流れの連続性を尊重する構造的なグラフインダクティブバイアスのおかげで、過学習が低減されている。
• 流れの方向と地理的特徴を統合することで、特に大規模で複雑な流域において、モデル性能に顕著な向上が見られる。
• 空間的グラフモデリングを用いることで、各流域を独立した単位として扱うのと比較して、より優れた一般化性能が実現されている。