[論文レビュー] Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks

Muhammed Sit, Bekir Zahit Demiray+1 more|arXiv (Cornell University)|Jul 7, 2021

Hydrological Forecasting Using AI参考文献 20被引用数 53

ひとこと要約

本論文はStreamGConvGRUを提案する。これは、 upstream river networkを用いて outlet sensor の今後36時間の時系列流量を予測するグラフ畳み込みGRUモデルであり、Johnson County, Iowaの研究ネットワークにおいて、 persistenceとConvBiGRUのベースラインを上回った。

ABSTRACT

The frequency and impact of floods are expected to increase due to climate change. It is crucial to predict streamflow, consequently flooding, in order to prepare and mitigate its consequences in terms of property damage and fatalities. This paper presents a Graph Convolutional GRUs based model to predict the next 36 hours of streamflow for a sensor location using the upstream river network. As shown in experiment results, the model presented in this study provides better performance than the persistence baseline and a Convolutional Bidirectional GRU network for the selected study area in short-term streamflow prediction.

研究の動機と目的

• 気候変動による洪水リスクの増大に対応するため、短期の正確な流量予測の必要性を動機づける。
• 上流の水文的連結性を活用して将来の流量を予測するグラフベースのニューラルネットワーク手法を開発する。
• 実ネットワークにおけるベースラインの persistence および ConvBiGRU モデルと比較して予測性能の改善を実証する。
• 小規模な河川ネットワークにおける水文予測にGraph Neural Networksを適用する実現可能性を評価する。

提案手法

• StreamGConvGRUを提案する。過去36 hの流量、過去36 hの降水量、そして次の36 hの降水量の三つのデータ系列を扱う三つのサブネットを活用するGraph Convolutional GRUネットワーク。
• 水文接続性とサイト間距離をエッジ重みとして用い、8つのUSGSセンサー位置のグラフを構築する。
• 15分測定を時間単位に集約する；各流域内のStage IV降水量を集約する；三つの系列を別々のGConvGRUブランチに入力し、その出力を合計して線形層に渡し、すべてのセンサーに対する36 h予測を出力する。
• StreamGConvGRUをConvBiGRUベースラインと persistenceベースラインとNash-Sutcliffe Efficiency (NSE)を評価指標として比較する。
• NVIDIA GPU上でRMSpropとL1損失を用いてモデルを訓練し、最良の検証ウェイトを選択してテスト予測を報告する。
• StreamGConvGRUはpytorch-geometric-temporalを用いて実装した。ConvBiGRUは全センサーに対して24x36の入力マトリクスを使用。

実験結果

リサーチクエスチョン

• RQ1 上流の河川ネットワーク情報を活用したGraph Convolutional GRUモデルは、ターゲットセンサーでの短期(36 h)の時系列流量予測を改善できるか。
• RQ2 StreamGConvGRUは hourly な流量予測において NSE の点で persistenceベースラインおよび ConvBiGRUベースラインを上回るか。
• RQ3 上流ネットワークデータと空間的連結性が短期流量予測の精度にどの程度寄与するか。
• RQ4 小規模な河川ネットワークでの予備結果は、より大規模なネットワークや長期予測へスケーラブルであることを示唆しているか。

主な発見

• StreamGConvGRUは、5時間目以降の短期時刻予測において persistenceベースラインとConvBiGRUモデルの双方を上回る。
• 流量の勾配により初期の数時間は persistence が最良となるが、上流情報を活用するにつれて StreamGConvGRUが予測の先行を得る。
• ConvBiGRUは本設定のGRUベースモデルの中では強力だが、StreamGConvGRUの性能には及ばない。
• 本研究は、実世界の8つの計器ネットワークでの流量予測に対するGraph Neural Networksの適用可能性を実証する。