[논문 리뷰] High-resolution rainfall-runoff modeling using graph neural network

Zhongrun Xiang, İbrahim Demir|arXiv (Cornell University)|2021. 10. 21.

Hydrology and Watershed Management Studies참고 문헌 17인용 수 5

한 줄 요약

이 논문은 하천 유량 예측 성능을 향상시키기 위해 고해상도 공간 데이터—유량 방향 및 지형적 특성—을 하천 유역의 하위 유역 전역에 활용하는 그래프 신경망 기반 강우-유출 모델인 GNRRM을 제안한다. 유역의 동역학을 노드가 공간 격자 셀을 나타내고 간선이 유량 연결성을 표현하는 그래프로 모델링함으로써 GNRRM은 세밀한 수문학적 과정을 포착하여 기준 모델 대비 뛰어난 성능과 더불어 과적합을 감소시킨다.

ABSTRACT

Time-series modeling has shown great promise in recent studies using the latest deep learning algorithms such as LSTM (Long Short-Term Memory). These studies primarily focused on watershed-scale rainfall-runoff modeling or streamflow forecasting, but the majority of them only considered a single watershed as a unit. Although this simplification is very effective, it does not take into account spatial information, which could result in significant errors in large watersheds. Several studies investigated the use of GNN (Graph Neural Networks) for data integration by decomposing a large watershed into multiple sub-watersheds, but each sub-watershed is still treated as a whole, and the geoinformation contained within the watershed is not fully utilized. In this paper, we propose the GNRRM (Graph Neural Rainfall-Runoff Model), a novel deep learning model that makes full use of spatial information from high-resolution precipitation data, including flow direction and geographic information. When compared to baseline models, GNRRM has less over-fitting and significantly improves model performance. Our findings support the importance of hydrological data in deep learning-based rainfall-runoff modeling, and we encourage researchers to include more domain knowledge in their models.

연구 동기 및 목표

• 기존의 딥러닝 모델이 큰 유역 전역에서 공간 수문학적 동역학을 포착하는 데에 한계가 있음을 해결하기 위해.
• 고해상도 강수량, 유량 방향, 지형 정보를 통합한 유일한 딥러닝 프레임워크를 통해 강우-유출 모델링을 향상시키기 위해.
• 수문학적 시스템에서 공간 그래프 구조를 활용함으로써 과적합을 줄이고 모델 일반화 능력을 향상시키기 위해.
• 도메인 특화된 수문학적 데이터를 그래프 신경망 아키텍처에 통합함으로써 환경 모델링에서의 가치를 입증하기 위해.

제안 방법

• GNRRM 모델은 각 노드가 강수량, 고도, 유량 방향의 특성을 갖는 격자 셀에 해당하는 공간 그래프로 유역을 표현한다.
• 그래프 컬러레이션 레이어는 흐름 경로를 따라 인접한 노드로부터의 정보를 집계함으로써 공간적 의존성을 처리하여 수문학적 연결성을 유지한다.
• 모델은 하천 하위 유역 전역에 흐름 역학을 전파하기 위해 그래프 기반 메시지 전달 메커니즘을 사용하여 복잡한 유출 과정의 엔드 투 엔드 학습을 가능하게 한다.
• 기울기 및 지형 이용 등 지리공간적 특성을 노드 수준의 특성으로 통합하여 각 격자 셀의 표현을 풍부하게 한다.
• 관측된 유량을 타겟으로 하여 시간 시리즈에 걸친 예측 오차를 최소화하는 손실 함수를 사용해 엔드 투 엔드로 아키텍처를 훈련시킨다.
• 지역적 및 지역 수준의 수문학적 패턴을 모두 포착하기 위해 다중 척도 그래프 풀링 전략을 적용한다.

실험 결과

연구 질문

• RQ1 공간적 유량 방향 및 지형 데이터를 활용함으로써 그래프 신경망이 고해상도 강우-유출 과정을 효과적으로 모델링할 수 있는가?
• RQ2 세부적인 공간 정보를 통합함으로써 전통적인 유역 규모 모델 대비 예측 정확도가 얼마나 향상되는가?
• RQ3 기본 모델인 표준 RNN 및 LSTM 대비 GNRRM의 과적합 감소 정도는 어느 정도인가?
• RQ4 수문학적 도메인 지식의 통합이 다양한 유역 조건에서 모델 일반화 능력을 향상시키는가?

주요 결과

• GNRRM은 고해상도 데이터셋에서 표준 LSTM 및 GNN 기준 모델 대비 뚜렷한 유량 예측 정확도 향상을 보였다.
• 유량 연속성을 존중하는 구조적 그래프 인덕티브 바이어스 덕분에 과적합이 감소한 것으로 나타났다.
• 유량 방향 및 지형 특성을 통합함으로써 성능 향상이 명확히 측정되었으며, 특히 크고 복잡한 유역에서 두드러졌다.
• 공간 그래프 모델링을 통해 각 하천 하위 유역을 독립된 단위로 취급하는 것보다 더 나은 일반화 능력을 확보했다.