[논문 리뷰] HydroNets: Leveraging River Structure for Hydrologic Modeling

Zach Moshe, Asher Metzger외 4명|arXiv (Cornell University)|2020. 07. 01.

Hydrology and Watershed Management Studies참고 문헌 8인용 수 39

한 줄 요약

HydroNets는 강 유역망 구조를 이용해 공유되고 유역 인식형 신경망 아키텍처로 여러 유역을 공동 예측함으로써, 데이터가 희소할 때 상류 유역 정보를 활용하여 수문 예측 정확도를 향상시킵니다.

ABSTRACT

Accurate and scalable hydrologic models are essential building blocks of several important applications, from water resource management to timely flood warnings. However, as the climate changes, precipitation and rainfall-runoff pattern variations become more extreme, and accurate training data that can account for the resulting distributional shifts become more scarce. In this work we present a novel family of hydrologic models, called HydroNets, which leverages river network structure. HydroNets are deep neural network models designed to exploit both basin specific rainfall-runoff signals, and upstream network dynamics, which can lead to improved predictions at longer horizons. The injection of the river structure prior knowledge reduces sample complexity and allows for scalable and more accurate hydrologic modeling even with only a few years of data. We present an empirical study over two large basins in India that convincingly support the proposed model and its advantages.

연구 동기 및 목표

• 강우-에수 흐름 네트워크 구조를 수문 예측 모델에 incorporating한다.
• 제한된 학습 데이터일 때 예측이 개선되도록 샘플 복잡도를 줄인다.
• 모듈식 구조에서 공유(물리적) 및 유역별 모델링을 모두 가능하게 한다.

제안 방법

• 유역 지역을 유향 강 그래프로 표현하되 유역을 노드로, 흐름을 간선으로 둔다.
• 세 부분 노드 설계: 유역별 결합기(Combiner), 공유 수문 모델, 유역별 예측 모델.
• 상류 임베딩 과정에서 가중치를 공유하여 공통적인 수문 역학을 포착하되 유역별 출력은 독립적으로 설정한다.
• 지역 그래프를 따라 원천(source)에서 하류 유역으로 시간 임베딩을 전달하여 트리와 같은 계산 그래프를 형성한다.
• 모델을 모든 유역에 걸친 가중치 있는 MSE 손실로 학습하여 지역 예측 정확도와 국지 예측 정확도 사이의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 강 유역망 구조를 다수의 유역에 대한 신경망 예측 모델에 효과적으로 인코딩할 수 있는가?
• RQ2 상류 역 dynamics를 공유로 강제하면 데이터 요구사항이 줄고 장기 예측이 향상되는가?
• RQ3 유역마다 flat baseline과 비교했을 때 HydroNets의 성능 차이는 어떠하며, 특히 학습 데이터가 제한적일 때는 어떤가?
• RQ4 영역 깊이(트리와 같은 구조)가 예측 성능에 어떤 영향을 미치는가?
• RQ5 상류 영향력이 다양한 다양한 유역에서 HydroNets가 성능을 유지하는가?

주요 결과

Basin Name	Linear	HydroNets	Diff
Badatighat	0.5568443865666352	0.5657635612645384	0.008919174697903265
Behalpur	0.32078971572396364	0.3289656188027492	0.008175903078785574
Beki Road bridge	0.14243647528059078	0.17420767157737682	0.03177119629678604
Bhalukpong	-0.05450698045963054	0.1634540042403937	0.21796098470002423
Bihubar	0.27566067687928986	0.2723152605579484	-0.0033454163213414434
Bokajan	0.3166888617558683	0.32879294190163033	0.01210408014576203
Chenimari	0.7200725865820619	0.7011669381339638	-0.018905648448098056
Chouldhowaghat	0.255339071731416	0.254241935452059	-0.001097136279357036
Desangpani	0.37805852442175314	0.39995152720354454	0.021893002781791404
Dharamtul	0.5510783029520876	0.5618626605554085	0.01078435760332086
Dholabazar	-1.3652369270272944	-1.1181052084940486	0.24713171853324578
Dhubri	0.8551722177250006	0.8650109743837727	0.009838756658772096
Dibrugarh	-0.44001122603952836	0.22348232535742274	0.6634935513969511
Dillighat	0.08493667910130365	0.13724150655998368	0.05230482745868004
Gelabil	0.10128728796543685	0.12967692153513977	0.02838963356970292
Goalpara	0.8512461899775181	0.8605118379156127	0.00926564793809459
Golaghat	0.43325555039895314	0.4667733043544595	0.03351775395550638
Guwahati	0.8857147553453816	0.9106473936456345	0.02493263830025294
Jiabharali NT Road X-ing	-0.014185175560048169	0.18156865976756809	0.19575383532761625
Kampur	0.5036722171224572	0.5375832845667163	0.03391106744425909
Kheronighat	0.5369054699071945	0.5658441262374312	0.028938656330236734
Kibithu	0.11911187001776047	0.13034886582331529	0.011236995805554817
Manas NH Crossing	0.29809200942195624	0.3196220545834817	0.021530045161525457
Margherita	0.17768562066267957	0.16697132710264284	-0.010714293560036725
Mathanguri	0.15863617688268716	0.16311326711317198	0.004477090230484815
Matunga	0.050344635450549124	0.09791442734420186	0.047569791893652735
Naharkatia	0.3165976242146106	0.3072153402238076	-0.009382283990802986
Nanglamoraghat	0.5855394105846985	0.5774178406566732	-0.008121569928025263
Neamatighat	0.4874680766092895	0.5963765192370596	0.10890844262777011
Numaligarh	0.5480987143354679	0.542264638302129	-0.005834076033338853
Pagladiya N.T.Road X-ING	0.20836194390983376	0.24480898735903844	0.036447043449204686
Panbari	0.24456172629159956	0.2449293515799722	0.00036762528837264163
Passighat	0.059395888047660605	0.15037602478579704	0.09098013673813643
Puthimari N.H X-ING	0.25037340454982393	0.28208453691665725	0.03171113236683332
Seppa	0.11646708708369591	0.1445160785925852	0.028048991508889287
Sivasagar	0.35968206910588096	0.36774523888722543	0.00806316978134447
Suklai	0.23730410975983496	0.24127796559630577	0.003973855836470808
Tezpur	0.8415065285695466	0.7858503277945921	-0.05565620077495448
Tezu	0.11770004892932584	0.10769783158601853	-0.010002217343307307
Auralya	0.2924280872048822	0.30472394072224596	0.01229585351736373
Banda	0.6705910336918739	0.6836292384335845	0.01303820474171058
Chillaghat	0.5520156264832755	0.7347791852147051	0.18276355873142958
Etawah	0.3199532511938191	0.34887872136043463	0.028925470166615508
Gaisabad	0.44250679775838864	0.48224566417641745	0.03973886641802882
Garrauli	0.49479745081499416	0.5193523121468859	0.024554861331891775
Hamirpur	0.17919800461891522	0.1771406671326362	-0.0020573374862790095
Kalpi	0.37933718671550687	0.4201586180825567	0.040821431367049854
Kora	-0.5415282761182365	-0.052580157128803595	0.4889481189894329
Marla	0.45782183230134577	0.495423753617532	0.037601921316186226
Nautghat	0.30365645039633693	0.34756461544492745	0.04390816504859052
Shahijina	0.4823139641158328	0.476538691092261	-0.005775273023571836
Udi	0.3991852629166368	0.3974146891071355	-0.0017705738095012968

• HydroNets는 대표적인 유역에서 flat 선형 baseline을 능가한다.
• 더 깊은 지역 트리는 HydroNets에 지속적인 향상을 주지만 baseline에는 해당하지 않는다.
• 학습 데이터가 줄어들수록 HydroNets의 상대 이득이 커져 샘플 복잡도 감소를 시사한다.
• 유역 전체에서 HydroNets는 특히 상류 지역에서 flat 모델보다 더 나은 지속된 R-제곱 점수를 제공한다.
• 모델은 공유 상류 임베딩 메커니즘을 통해 상류 부분 유역 정보를 활용하는 이점을 일관되게 얻는다.