[논문 리뷰] A mixed model approach to drought prediction using artificial neural networks: Case of an operational drought monitoring environment

Chrisgone Adede, Robert Oboko외 2명|arXiv (Cornell University)|2019. 01. 10.

Hydrology and Drought Analysis참고 문헌 22인용 수 11

한 줄 요약

이 연구는 지연된 강수량 및 식생 지수를 사용하여 1개월 후 가뭄 예측을 향상시키기 위해 일반화된 가산 모형(GAM)과 인공 신경망(ANN)을 조합한 혼합 모형 접근법을 제안한다. R² > 0.7인 21개의 모형으로 102개의 GAM 모형을 필터링함으로써 모형 공간의 복잡성을 감소시키고 최적의 예측 변수를 식별한다. 이 과정을 통해 도출된 ANN 冠 军 모형은 검증 데이터에서 R² = 0.78의 성능을 기록하여 운영적 가뭄 모니터링에 있어 뛰어난 예측 성능을 입증한다.

ABSTRACT

Droughts, with their increasing frequency of occurrence, continue to negatively affect livelihoods and elements at risk. For example, the 2011 in drought in east Africa has caused massive losses document to have cost the Kenyan economy over $12bn. With the foregoing, the demand for ex-ante drought monitoring systems is ever-increasing. The study uses 10 precipitation and vegetation variables that are lagged over 1, 2 and 3-month time-steps to predict drought situations. In the model space search for the most predictive artificial neural network (ANN) model, as opposed to the traditional greedy search for the most predictive variables, we use the General Additive Model (GAM) approach. Together with a set of assumptions, we thereby reduce the cardinality of the space of models. Even though we build a total of 102 GAM models, only 21 have R2 greater than 0.7 and are thus subjected to the ANN process. The ANN process itself uses the brute-force approach that automatically partitions the training data into 10 sub-samples, builds the ANN models in these samples and evaluates their performance using multiple metrics. The results show the superiority of 1-month lag of the variables as compared to longer time lags of 2 and 3 months. The champion ANN model recorded an R2 of 0.78 in model testing using the out-of-sample data. This illustrates its ability to be a good predictor of drought situations 1-month ahead. Investigated as a classifier, the champion has a modest accuracy of 66% and a multi-class area under the ROC curve (AUROC) of 89.99%

연구 동기 및 목표

• 가뭄의 사회경제적 영향을 완화하기 위해 정확하고 조기에 가뭄을 예측할 필요성을 충족시키기 위해.
• 고차원 모형 공간의 복잡성을 줄이기 위해 GAM을 활용해 정보가 풍부한 예측 변수를 사전 선별하기 위해.
• 지연된 기상 및 위성 원격 탐사 변수를 활용하여 운영적 가뭄 모니터링을 위한 강건한 데이터 기반 ANN 모형을 개발하기 위해.
• 독립 테스트 세트를 활용한 검증 데이터에서 최종 ANN 모형의 예측 성능을 평가하기 위해.

제안 방법

• 연구는 예측 변수로 10개의 지연 변수(강수량 및 식생 지수의 1-, 2-, 3개월 지연)를 사용한다.
• 일반화된 가산 모형(GAM)을 적용하여 예측 변수와 가뭄 간의 관계를 탐색하고, R² > 0.7인 21개의 고성능 모형으로 모형 공간을 축소한다.
• 선택된 21개의 GAM 모형을 기반으로 브루트 포스 교차검증 방법(10개의 폴드로 분할)을 통해 인공 신경망(ANN)을 훈련 및 평가한다.
• ANN 훈련 과정에서는 모형의 일반화 능력과 미리 보지 않은 데이터에 대한 강건성을 평가하기 위해 다수의 성능 지표를 사용한다.
• 모형 선택 기준은 독립 테스트 세트에서 가장 높은 검증 데이터 R²를 기록한 ANN을 우선시한다.
• 최종 모형은 정확도와 수신기 작동 특성 곡선 아래 면적(AUROC)을 활용한 분류기로서의 성능도 평가된다.

실험 결과

연구 질문

• RQ1 기존의 변수 선별 방법과 비교해 볼 때, 하이브리드 GAM-ANN 접근법이 가뭄 예측 정확도를 향상시킬 수 있는가?
• RQ2 기상 및 식생 변수의 1-, 2-, 또는 3개월 지연 시간 단계 중 어느 것이 가뭄 예측 성능을 가장 높게 끌어올리는가?
• RQ3 선택된 ANN 모형의 검증 데이터에서의 1개월 후 가뭄 예측 성능는 어떠한가?
• RQ4 관찰된 모형은 다중 클래스 가뭄 분류기로서 얼마나 잘 작동하는가?

주요 결과

• 강수량 및 식생 변수의 1개월 지연가 가장 높은 예측 성능를 기록했으며, 2- 및 3개월 지연보다 뛰어났다.
• 관찰된 ANN 모형은 검증 데이터에서 R² = 0.78의 성능을 기록하여 1개월 후 가뭄 예측에 강력한 예측 능력을 보였다.
• 검토된 102개의 GAM 모형 중 R² > 0.7를 달성한 것은 오직 21개에 불과했으며, 이는 GAM이 모형 공간을 효과적으로 필터링할 수 있음을 보여준다.
• 분류기로서의 성능 평가 결과, 관찰된 모형은 정확도 66%와 다중 클래스 AUROC 89.99%를 기록하여 다양한 가뭄 심각도 수준 간의 구분 능력이 뛰어났다.
• 이 연구는 GAM을 통한 변수 선별과 ANN을 통한 최종 모델링을 조합한 혼합 모형 접근법이 운영적 가뭄 모니터링에서 예측 성능을 크게 향상시킬 수 있음을 확인한다.