[논문 리뷰] From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data

Wen‐Ping Tsai, Ming Pan외 4명|arXiv (Cornell University)|2020. 07. 30.

Hydrology and Watershed Management Studies참고 문헌 58인용 수 7

한 줄 요약

이 논문은 지구과학 모델링에서 전통적인 유전적 알고리즘 기반 校정을 딥러닝 기반의 정방향 매핑 파rameter 학습(fPL) 프레임워크로 대체하는 것을 제안한다. 이는 계산 속도를 수개의 주기로 빠르게 향상시키면서도 동일하거나 더 높은 정확도와 향상된 공간 일관성을 달성한다. fPL은 대량의 데이터로부터 보편적이고 물리적으로 일관된 매개변수 지ap을 학습하여, 校정보다 일반화 능력과 예측 정확도가 뛰어난 비교적 미교정된 변수에 대해 승리한다.

ABSTRACT

The behaviors and skills of models in many geoscientific domains strongly depend on spatially varying parameters that lack direct observations and must be determined by calibration. Calibration, which solves inverse problems, is a classical but inefficient and stochasticity-ridden approach to reconcile models and observations. Using a widely applied hydrologic model and soil moisture observations as a case study, here we propose a novel, forward-mapping parameter learning (fPL) framework. Whereas evolutionary algorithm (EA)-based calibration solves inversion problems one by one, fPL solves a pattern recognition problem and learns a more robust, universal mapping. fPL can save orders-of-magnitude computational time compared to EA-based calibration, while, surprisingly, producing equivalent ending skill metrics. With more training data, fPL learned across sites and showed super-convergence, scaling much more favorably. Moreover, a more important benefit emerged: fPL produced spatially-coherent parameters in better agreement with physical processes. As a result, it demonstrated better results for out-of-training-set locations and uncalibrated variables. Compared to purely data-driven models, fPL can output unobserved variables, in this case simulated evapotranspiration, which agrees better with satellite-based estimates than the comparison EA. The deep-learning-powered fPL frameworks can be uniformly applied to myriad other geoscientific models. We contend that a paradigm shift from inverse parameter calibration to parameter learning will greatly propel various geoscientific domains.

연구 동기 및 목표

• 지구과학 모델링에서 전통적인 역매개변수 교정의 비효율성과 확률적 성격을 해결하기 위해.
• 대규모 수문학 모델링에서 계산 비용을 줄이면서도 예측 정확도를 유지하거나 향상시키기 위해.
• 빅 지오스페이셜 데이터로부터 공간적으로 일관된 매개변수를 학습하는 확장 가능한 보편적 프레임워크를 개발하기 위해.
• 학습된 매개변수 지도를 활용해 관측되지 않은 변수(예: 증발산발산)를 정확하게 예측할 수 있도록 하기 위해.
• 지구과학 모델링에서 교정에서 학습으로의 패러다임 전환을 정립하기 위해.

제안 방법

• fPL 프레임워크는 딥러닝을 활용해 모델 입력(예: 지형, 지형 피복)에서 최적의 공간적으로 변화하는 매개변수로의 직접 정방향 매핑을 학습한다.
• 모델 입력과 교정된 매개변수의 합성 또는 관측 데이터 쌍을 기반으로 훈련하여 반복적인 역해법을 회피한다.
• 이 방법은 대규모 토양 수분 관측 데이터와 널리 사용되는 수문학 모델을 사례 연구로 활용한다.
• 여러 개의 지역에서 훈련하여 훈련되지 않은 위치로도 일반화 가능한 보편적인 매개변수 매핑을 학습한다.
• 증가하는 훈련 데이터와 함께 효율적으로 확장되도록 설계되어 초수렴 현상을 보였다.
• 교정된 매개변수 외에도 증발산발산과 같은 관측되지 않은 모델 변수를 출력하며, 위성 데이터와의 검증을 통해 검증되었다.

실험 결과

연구 질문

• RQ1 데이터 기반의 매개변수 학습 프레임워크가 전통적 교정보다 계산 효율성과 예측 정확도에서 승리할 수 있는가?
• RQ2 fPL은 교정 기반 방법과 비교해 훈련 데이터 외의 위치로 일반화되는 정도는 어떠한가?
• RQ3 fPL은 학습된 매개변수의 공간 일관성과 물리적 일관성에 얼마나 기여하는가?
• RQ4 fPL은 증발산발산과 같은 관측되지 않은 수문학적 변수를 정확하게 예측할 수 있는가?
• RQ5 fPL 프레임워크에서 훈련 데이터가 증가함에 따라 모델 성능은 어떻게 변화하는가?

주요 결과

• fPL은 계산 시간을 수개의 주기로 줄였음에도 불구하고, 진화 알고리즘 기반 교정과 동일하거나 더 높은 성능 지표를 달성했다.
• fPL은 초수렴 현상을 보였으며, 훈련 데이터가 증가함에 따라 교정보다 성능 향상 속도가 더 빠르게 나타났다.
• fPL에서 학습된 매개변수들은 교정에서 얻은 것보다 더 강한 공간 일관성과 물리적 과정에 더 잘 부합하는 경향을 보였다.
• fPL은 위성 기반 관측과 더 잘 일치하는 더 정확한 증발산발산 추정치를 생성했으며, 교정 기반 모델보다 우수했다.
• fPL은 교정되지 않은 위치와 변수로도 효과적으로 일반화되어, 훈련된 지역을 초월한 견고성과 이식 가능성(transferability)을 보였다.
• 이 프레임워크는 다른 지구과학 모델에도 보편적으로 적용 가능하며, 교정에서 학습으로의 패러다임 전환을 암시한다.