[논문 리뷰] A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting

Georgia Papacharalampous, Hristos Tyralis|arXiv (Cornell University)|2022. 06. 17.

Hydrological Forecasting Using AI참고 문헌 206인용 수 40

한 줄 요약

이 논문은 확률적 수문학 후처리 및 예측을 향상시키기 위한 기계학습(ML) 개념과 방법—예를 들어 분위수 회귀, 앙상블 학습, 딥 러닝—을 검토한다. 예측 정확도와 방법론적 투명도를 향상시키기 위해 개방 과학, 벤치마킹, 메타학습을 강조하는 통합 프레임워크를 제안하여, ML 기반 예측 구현의 체계적 형식화, 최적화 및 가장 효과적인 방법의 식별을 목표로 한다.

ABSTRACT

Probabilistic forecasting is receiving growing attention nowadays in a variety of applied fields, including hydrology. Several machine learning concepts and methods are notably relevant towards addressing the major challenges of formalizing and optimizing probabilistic forecasting implementations, as well as the equally important challenge of identifying the most useful ones among these implementations. Nonetheless, practically-oriented reviews focusing on such concepts and methods, and on how these can be effectively exploited in the above-outlined essential endeavour, are currently missing from the probabilistic hydrological forecasting literature. This absence holds despite the pronounced intensification in the research efforts for benefitting from machine learning in this same literature. It also holds despite the substantial relevant progress that has recently emerged, especially in the field of probabilistic hydrological post-processing, which traditionally provides the hydrologists with probabilistic hydrological forecasting implementations. Herein, we aim to fill this specific gap. In our review, we emphasize key ideas and information that can lead to effective popularizations, as such an emphasis can support successful future implementations and further scientific developments. In the same forward-looking direction, we identify open research questions and propose ideas to be explored in the future.

연구 동기 및 목표

• 확률적 수문학 후처리 및 예측을 위한 기계학습(ML) 방법에 대한 실용적이고 종합적인 리뷰가 부족한 점을 보완하기 위해.
• 특히 수문학적 불확실성과 모델 선택을 다룰 때, 확률적 예측을 위한 ML 기반 구현의 체계적 형식화 및 최적화를 위해.
• 증가하는 선택지 중에서 실용적 유용성과 다양한 수문학적 조건에서의 성능을 중심으로 가장 효과적인 ML 방법을 식별하기 위해.
• 수문학적 예측의 평가 및 재현 가능성을 가속화하기 위해, 개방 데이터 및 소프트웨어와 같은 개방 과학 관행을 촉진하기 위해.
• 예측 정확도를 극대화하면서도 위험을 최소화하기 위해 체계적 벤치마킹과 메타학습을 통한 통합적이고 다중 방법 기반 접근 방식을 제안하기 위해.

제안 방법

• 확률적 예측을 위한 핵심 ML 개념—예를 들어 분위수 회귀, 앙상블 학습, 딥 러닝, 대중의 지혜 접근 방식—을 체계적으로 검토한다.
• 특히 예측 분포 모델링 기반 방법을 포함한 다수의 ML 방법을 통합하는 프레임워크를 제안하여, 예측 신뢰도와 정밀도를 향상시킨다.
• 모델 선택 및 성능 해석을 위해 시계열 특징(예: 추세, 계절성, 비선형성)과 수문학적 서명을 메타특징으로 활용할 것을 강조한다.
• 재현 가능성과 방법론적 엄밀함을 보장하기 위해 표준화된 개방 데이터셋과 소프트웨어(예: R 및 Python 패키지)를 기반으로 한 벤치마킹을 권장한다.
• 시계열 특성과 유역 서명에 기반해 방법 선택을 자동화할 수 있는 새로운 접근 방식으로서의 메타학습을 도입한다.
• 공개 데이터 공유와 버전 제어 소프트웨어를 포함한 개방 과학 관행을 권장하여, 투명하고 확장 가능하며 재현 가능한 수문학 예측 연구를 지원한다.

실험 결과

연구 질문

• RQ1 확률적 수문학 후처리 및 예측을 위한 기계학습 방법 중 가장 효과적인 것은 무엇이며, 어떻게 체계적으로 평가할 수 있는가?
• RQ2 메타학습은 시계열 및 유역 특성에 기반해 방법 선택을 자동화할 수 있도록 확률적 수문학 예측에 어떻게 적용될 수 있는가?
• RQ3 시계열 특징과 수문학적 서명은 ML 기반 예측 모델의 성능 해석과 향상에 어떤 역할을 하는가?
• RQ4 개방 과학 원칙—예를 들어 개방 데이터 및 소프트웨어—는 확률적 수문학 예측의 방법 개발과 벤치마킹을 어떻게 가속화하는가?
• RQ5 예측 정확도를 극대화하면서도 위험을 최소화할 수 있는 통합적이고 다중 방법 기반 전략은 무엇인가?

주요 결과

• 분위수 회귀, 앙상블 학습, 딥 러닝과 같은 기계학습 방법은 확률적 수문학 예측의 체계적 형식화 및 최적화에 상당한 기여를 한다.
• 메타학습은 아직 확률적 수문학 예측에서 거의 탐색되지 않은 분야이지만, 시계열 및 유역 특성에 기반해 방법 선택을 자동화할 잠재력이 매우 높다.
• 시계열 특징(예: 추세, 계절성, 비선형성)과 수문학적 서명은 모델 성능 해석 및 방법 선택을 안내하는 데 있어 귀중한 자료로 기능한다.
• 대규모 개방 데이터셋과 표준화된 소프트웨어(예: R 및 Python 패키지)를 활용한 벤치마킹은 방법 평가를 가속화하고 재현 가능성을 확보하는 데 핵심적이다.
• 개방 과학 관행—개방 데이터 및 소프트웨어 포함—는 투명하고 확장 가능하며 신뢰할 수 있는 확률적 예측 연구 발전에 필수적이다.
• 다양한 ML 기법을 통합하는 통합적이고 다중 방법 기반 접근 방식은 예측 정확도를 극대화하면서도 특정 방법의 한계로 인한 위험을 줄일 수 있다.