[논문 리뷰] Application of Machine Learning Methods in Inferring Surface Water Groundwater Exchanges using High Temporal Resolution Temperature Measurements

Mohammad A. Moghaddam, Ty P. A. Ferré외 3명|arXiv (Cornell University)|2022. 01. 03.

Hydrological Forecasting Using AI인용 수 6

한 줄 요약

이 연구는 워싱턴주 한포드 근처 콜롬비아 강의 수치 모델에서 유도된 고시계 해상도의 지하 온도 데이터를 사용하여 표면수-지하수 상호작용 유량을 추론하기 위해 기계학습(ML) 및 딥러닝(DL) 모델, 특히 합성곱 신경망(CNN)을 적용한다. 노이즈가 많은 데이터에서는 DL 모델이 ML 방법보다 성능이 뛰어나지만, ML 모델은 네트워크 최적화를 위한 핵심 관측치를 더 잘 식별한다. 놀랍게도, 두 방법 모두 하향 유량보다 상향 유량을 더 정확하게 추론하였다. 이는 수치 모델과의 잠재적 시너지 효과를 시사한다.

ABSTRACT

We examine the ability of machine learning (ML) and deep learning (DL) algorithms to infer surface/ground exchange flux based on subsurface temperature observations. The observations and fluxes are produced from a high-resolution numerical model representing conditions in the Columbia River near the Department of Energy Hanford site located in southeastern Washington State. Random measurement error, of varying magnitude, is added to the synthetic temperature observations. The results indicate that both ML and DL methods can be used to infer the surface/ground exchange flux. DL methods, especially convolutional neural networks, outperform the ML methods when used to interpret noisy temperature data with a smoothing filter applied. However, the ML methods also performed well and they are can better identify a reduced number of important observations, which could be useful for measurement network optimization. Surprisingly, the ML and DL methods better inferred upward flux than downward flux. This is in direct contrast to previous findings using numerical models to infer flux from temperature observations and it may suggest that combined use of ML or DL inference with numerical inference could improve flux estimation beneath river systems.

연구 동기 및 목표

• 고시계 해상도의 지하 온도 측정값에서 표면수-지하수 상호작용 유량을 추론하기 위한 기계학습 및 딥러닝 방법의 성능을 평가하기 위해.
• 합성 온도 데이터에서 측정 노이즈 수준이 다양할 경우 ML 및 DL 모델의 성능을 평가하기 위해.
• ML 및 DL 모델이 모니터링 네트워크 최적화를 위한 핵심 온도 관측치를 식별하는 데 얼마나 효과적인지 비교하기 위해.
• 상향 유량과 하향 유량 간의 유량 추론 정확도에 잠재적인 비대칭성이 존재하는지 조사하기 위해.

제안 방법

• 워싱턴주 한포드 근처 콜럼비아 강의 고해상도 수치 모델을 사용하여 노이즈 수준이 다양한 합성 온도 시계열을 생성하였다.
• 기계학습 모델(예: 랜덤 포레스트, 기울기 부스팅)과 딥러닝 모델(특히 합성곱 신경망)을 사용하여 온도 데이터에서 유량을 예측하도록 훈련시켰다.
• 실제 데이터 열악성과 유사하게 스무딩 필터를 적용하고, 다양한 노이즈 강도 하에서 성능을 평가하였다.
• 예측값과 수치 모델의 기준 유량을 비교하기 위해 평균 절대 오차 및 결정계수(R-squared) 등의 지표를 사용하여 모델 성능을 평가하였다.
• ML 모델의 특성 중요도 분석을 수행하여 유량 추론에 가장 유용한 온도 관측치를 식별하였다.
• 모델 성능의 방향성 편향 여부를 평가하기 위해 상향 유량과 하향 유량의 추론 정확도를 비교하였다.

실험 결과

연구 질문

• RQ1 기계학습 및 딥러닝 모델은 고시계 해상도의 지하 온도 데이터로부터 표면수-지하수 상호작용 유량을 정확하게 추론할 수 있는가?
• RQ2 측정 노이즈 수준과 데이터 스무딩 정도에 따라 ML 및 DL 모델의 성능은 어떻게 변화하는가?
• RQ3 ML 모델이 모니터링 네트워크 최적화를 위한 핵심 온도 관측치를 식별하는 데 DL 모델보다 뛰어난가?
• RQ4 기존 수치 모델 연구 결과와는 반대로, ML 및 DL 모델이 상향 유량 추론에서 하향 유량 추론보다 더 높은 정확도를 보이는 이유는 무엇인가?
• RQ5 ML/DL 추론을 수치 모델과 융합하면 강 주변 지하 유량 추정 정확도를 향상시킬 수 있는가?

주요 결과

• 딥러닝 모델, 특히 합성곱 신경망은 스무딩 필터가 적용된 노이즈가 많은 온도 데이터에서 전통적인 기계학습 방법보다 더 뛰어난 성능를 보였다.
• 기계학습 모델은 최적화된 모니터링 네트워크 설계에 기여할 수 있는 핵심 온도 관측치의 집합을 더 잘 식별하는 데 뛰어난 능력을 보였다.
• ML 및 DL 모델 모두 상향 지하수 유량을 하향 유량보다 더 정확하게 추론하였으며, 이는 이전 수치 모델 연구 결과와는 정반대되는 놀라운 결과였다.
• 상향과 하향 유량 추론 간의 성능 격차는 잠재적 모델 편향 또는 데이터 표현 문제를 시사하며, 향후 추가 조사가 필요하다.
• 결과는 ML/DL 추론을 수치 모델과 융합하면 복잡한 강 주변 환경에서의 유량 추정 정확도를 향상시킬 수 있음을 시사한다.
• 본 연구는 고시계 해상도의 온도 데이터가 ML 및 DL 모델에 의해 높은 정밀도로 표면수-지하수 상호작용 유량을 추정하는 데 효과적으로 활용될 수 있음을 확인하였다.