[論文レビュー] Learning Regionalization within a Differentiable High-Resolution Hydrological Model using Accurate Spatial Cost Gradients

Ngo Nghi Truyen Huynh, François Colléoni+1 more|arXiv (Cornell University)|Aug 6, 2023

Hydrology and Watershed Management Studies被引用数 5

ひとこと要約

本論文は、勾配逆伝播に基づく勾配を用いて、学習可能なニューラルネットワークベースの領域化マッピングと統合された微分可能で高分解能の水文的モデリングフレームワークを提案する。このフレームワークにより、観測が乏しい流域におけるパラメータの領域化が高精度で実現される。微分可能な水文的モデルとニューラルネットワークの勾配を連結することで、洪水が頻発する地域において最先端の性能を達成し、ベースラインモデルと比較して中央値のナッシュ＝サットン効率が最大30%向上した。

ABSTRACT

This data package supports the research paper titled "Learning Regionalization within a Differentiable High-Resolution Hydrological Model using Accurate Spatial Cost Gradients". The dataset comprises preprocessed data sourced from SCHAPI-DGPR and Météo-France, and is stored within a HDF5 file. This can be used to create the hydrological Model object of smash in order to perform various optimization methods. Spanning a duration of 6 years, from August 1, 2016, to July 31, 2022, the dataset pertains to the study area ArcMed in France.

研究の動機と目的

• 観測流量データが乏しい流域における水文的パラメータの領域化の課題に取り組む。
• 集約パラメータと線形マッピングに依存する従来の後処理領域化手法の限界を克服する。
• 微分可能な物理情報モデルと学習可能な記述子からパラメータへのマッピングを用いて、高次元かつ空間的に分散されたパラメータのキャリブレーションを可能にする。
• 非線形かつデータ駆動型の領域化を用いて、特に洪水のような極端な出来事のシミュレーションにおけるモデル性能を向上させる。

提案手法

• 微分可能な高分解能水文的モデル（SMASH）と、記述子からパラメータへのマッピングに用いる学習可能な人工ニューラルネットワーク（ANN）を統合する。
• 126の流域にわたる空間的・時間的観測を考慮するため、マルチゲージキャリブレーションコスト関数を用いる。
• 数値的アドジョイントモデルを用いて、コスト関数のモデルパラメータに関する正確な勾配を計算する。
• アドジョイントモデルとニューラルネットワークからの勾配を連結し、バックプロパゲーションをAdam最適化アルゴリズムで実行する。
• シグモイド出力を物理的パラメータの範囲にマップするための微分可能なスケーリング関数を実装し、パラメータの妥当性を保証する。
• 地形や土地被覆などの空間的記述子を、3層のフィードフォワードニューラルネットワーク（96-48-16ニューロン）と組み合わせ、空間的に分散されたパラメータを予測する。

実験結果

リサーチクエスチョン

• RQ1 微分可能な水文的モデルに学習可能な領域化マッピングを組み合わせることで、観測が乏しい流域におけるパラメータの領域化が向上するか。
• RQ2 非線形なANNベースのマッピングは、複雑で空間的に変化するパラメータ関係を線形回帰と比較してどの程度よく捉えられるか。
• RQ3 高分解能モデルからのアドジョイントベースの勾配が、洪水が頻発する地域におけるキャリブレーション精度をどの程度向上させるか。
• RQ4 提案されたフレームワークは、上流から下流への外挿状況でも頑健な性能を示せるか。
• RQ5 空間的コスト勾配の正確な使用が、高次元領域化問題の最適化に与える影響はどの程度か。

主な発見

• HDA-PRフレームワークは、フランスの地中海地方における空間的・時間的・空間時間的検証の全範囲で、中央値のナッシュ＝サットン効率（NSE）が0.6から0.71の間で達成された。
• ANNベースの領域化により、集約パラメータを用いたベースラインモデルと比較して、平均でNSEが最大30%向上した。
• 洪水指向の指標から、ANNはピーク流量と洪水ゲージ形状の捉え方において、多変量線形回帰を上回ることが確認された。
• 本手法は、最も挑戦的な上流から下流への外挿状況でも優れた性能を示し、一般化能の高さが裏付けられた。
• アドジョイントモデリングによる正確な空間的コスト勾配の使用により、キロメートルスケールの高分解能ドメインにおいて、計算コストが高くても効果的な高次元最適化が可能になった。
• フレームワークは非線形な記述子からパラメータへのマッピングを効果的に学習できており、複雑なキャリブレーション設定において、線形代替手法よりも優れたモデル制御性を提供した。