[論文レビュー] Prolongation of SMAP to Spatio-temporally Seamless Coverage of Continental US Using a Deep Learning Neural Network

Kuai Fang, Chaopeng Shen+2 more|arXiv (Cornell University)|Jul 20, 2017

Soil Moisture and Remote Sensing被引用数 9

ひとこと要約

本研究では、大気力、モデルで再現された土壌水分、および静的地形的データを入力として用い、LSTM（長短記憶）深層学習モデルを提案し、連続した米国本土（CONUS）全域にわたって、SMAP衛星の土壌水分データを空間的・時間的に滑らかに拡張する手法を提示する。LSTMは、SMAP観測データに対して高い忠実度を示し、米国本土の75％以上でテスト時のRMSE <0.035、相関係数 >0.87を達成しており、陸面モデルにおける系統的なバイアスを効果的に是正し、従来の手法に比べて優れた一般化性能を示している。

ABSTRACT

The Soil Moisture Active Passive (SMAP) mission has delivered valuable sensing of surface soil moisture since 2015. However, it has a short time span and irregular revisit schedule. Utilizing a state-of-the-art time-series deep learning neural network, Long Short-Term Memory (LSTM), we created a system that predicts SMAP level-3 soil moisture data with atmospheric forcing, model-simulated moisture, and static physiographic attributes as inputs. The system removes most of the bias with model simulations and improves predicted moisture climatology, achieving small test root-mean-squared error (&lt;0.035) and high correlation coefficient &gt;0.87 for over 75\% of Continental United States, including the forested Southeast. As the first application of LSTM in hydrology, we show the proposed network avoids overfitting and is robust for both temporal and spatial extrapolation tests. LSTM generalizes well across regions with distinct climates and physiography. With high fidelity to SMAP, LSTM shows great potential for hindcasting, data assimilation, and weather forecasting.

研究の動機と目的

• 連続した米国本土全域にわたる、SMAP観測データと高い整合性を保つ、空間的・時間的に滑らかな表層土壌水分データセットの作成。
• LSTMが陸面モデル（LSM）の土壌水分シミュレーションにおける系統的誤差を是正できる能力の評価。
• 線形回帰、自己回帰モデル、および1層ニューラルネットワークと比較して、LSTMの一般化性能を空間的・時間的外挿において評価すること。
• 深層学習が、多様な気候的・地形的地域にわたる不均一で大規模な水文データから効果的に学習し、一般化できるかどうかの評価。

提案手法

• 長短記憶（LSTM）再帰的ニューラルネットワークを用い、大気力、LSMで再現された土壌水分、および静的地形的属性を入力として、SMAPレベル3土壌水分を予測するモデルを訓練する。
• モデルは2年間分のSMAPデータで訓練され、米国本土の多様な水文気象的地域において、空間的・時間的ホールアウトテストを用いて検証される。
• LSTMの高次元パrameter空間を考慮し、過学習を防ぐためにドロップアウトなどの正則化技術が適用される。
• LSTMは土壌水分ダイナミクスおよびモデルバイアスの時間的依存性と空間的パターンを学習し、訓練データを超えた強固な外挿を可能にする。
• モデルの性能は、SMAP観測データとの比較において、平均二乗誤差（RMSE）、相関係数、バイアス低減の指標を用いて評価される。
• 一般化能力の評価のため、線形回帰、自己回帰モデル、および1層ニューラルネットワークと比較される。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの深層学習モデルは、米国本土全域にわたって、空間的・時間的に滑らかな長期的データセットにSMAP土壌水分観測データを効果的に拡張できるか？
• RQ2 LSTMは、陸面モデルの土壌水分シミュレーションにおける空間的に異なるバイアスや気候論的誤差をどの程度是正できるか？
• RQ3 LSTMの一般化性能は、空間的・時間的外挿タスクにおいて、単純な統計モデルと比較してどのように異なるか？
• RQ4 LSTMの再帰的アーキテクチャは、土壌水分ダイナミクスおよび誤差パターンを捉える上で、非再帰的モデルに比べて顕著な利点を提供するか？
• RQ5 訓練データセットにすべての地域的組み合わせが含まれていない状況下でも、LSTMモデルは多様な水文気象的地域に一般化できるか？

主な発見

• LSTMモデルは、米国本土の75％以上でテスト時の平均二乗誤差（RMSE）が0.035未満、相関係数が0.87を超えるという高い性能を示しており、特に森林が広がる南東部地域を含む。
• モデルは、ノア陸面モデルのシミュレーションに見られる空間的に不均一なバイアスを効果的に除去し、土壌水分の気候論的特性および極端な現象の表現を著しく改善している。
• 高いモデル複雑性にもかかわらず、LSTMは空間的・時間的外挿において強固な一般化性能を示し、線形回帰、自己回帰モデル、1層ニューラルネットワークを上回っている。
• LSTMの性能は、SMAPの機器精度の限界に近づいており、観測データに対する高い忠実度を示している。
• モデルの成功は、多様な地域における物理的・気候的変動の長期的時間的依存性および内部表現を学習できる能力に起因している。
• 本研究では、初めてLSTMを水文学分野に効果的に応用した事例を示しており、長期的な土壌水分後方解析、データ同化、および気象予測におけるその可能性を示している。