[논문 리뷰] Prediction of short and long-term droughts using artificial neural networks and hydro-meteorological variables

Yousef Hassanzadeh, Mohammadvaghef Ghazvinian외 3명|arXiv (Cornell University)|2020. 06. 03.

Hydrology and Drought Analysis참고 문헌 16인용 수 14

한 줄 요약

이 연구는 이란 타브리즈에서 강수량, 바람 속도, 습도, 일조 시간과 같은 수기상 변수를 표준강수지수(SPI)의 3-, 6-, 12-, 24-, 48개월 규모와 통합하여 단기 및 장기 가뭄을 예측하기 위해 인공신경망(ANNs)을 사용하는 기계학습 접근법을 제안한다. 결과적으로 모든 수기상 변수를 통합할 경우 모든 시간 규모에서 SPI 예측 정확도가 유의미하게 향상되며, 가장 우수한 성능은 종합적인 입력 세트를 사용할 때 달성된다.

ABSTRACT

Drought is a natural creeping threat with numerous damaging effects in various aspects of human life. Accurate drought prediction is a promising step in helping policy makers to set drought risk management strategies. To fulfill this purpose, choosing appropriate models plays an important role in predicting approach. In this study, different models of Artificial Neural Network (ANN) are employed to predict short and long-term of droughts by using Standardized Precipitation Index (SPI) at different time scales, including 3, 6, 12, 24 and 48 months in Tabriz city, Iran. To this end, different combination of calculated SPI and time series of various hydro-meteorological variables, such as precipitation, wind velocity, relative humidity and sunshine hours for years 1992 to 2010 are used to train the ANN models. In order to compare the models performances, some well-known measures, namely RMSE, Mean Absolute Error (MAE) and Correlation Coefficient (CC) are utilized in the present study. The results illustrate that the application of all hydro-meteorological variables significantly improves the prediction of SPI at different time scales.

연구 동기 및 목표

• 타브리즈, 이란에서 가뭄 위험 관리 지원을 위한 신뢰할 수 있는 가뭄 예측 모델을 개발하기 위해.
• 다양한 시간 규모에서 가뭄을 예측하는 데에 인공신경망(ANNs)의 효과성을 평가하기 위해.
• 다양한 수기상 변수를 포함시키는 것이 가뭄 예측 정확도에 미치는 영향을 평가하기 위해.
• 다양한 입력 구성에서 표준 성능 지표인 RMSE, MAE, CC를 사용하여 모델 성능을 비교하기 위해.

제안 방법

• 가뭄 예측을 위한 목표 변수로 3-, 6-, 12-, 24-, 48개월 규모의 표준강수지수(SPI)를 사용한다.
• 1992년부터 2010년까지의 수기상 시계열 데이터(강수량, 바람 속도, 상대습도, 일조 시간)를 입력 특성으로 사용한다.
• 이 변수들의 다양한 조합을 다양한 ANN 아키텍처에 입력하여 각 SPI 시간 규모별로 모델을 훈련시킨다.
• 모델 성능 평가에 세 가지 통계 지표를 사용한다: 최소 제곱근 오차(RMSE), 평균 절대 오차(MAE), 상관계수(CC).
• 모든 시간 규모에서 가장 낮은 RMSE와 MAE, 가장 높은 CC를 기록한 모델 구성이 최고 성능으로 간주된다.
• 다양한 입력 세트를 사용한 모델을 비교하여 각 수기상 변수가 예측 정확도에 기여하는 바를 분리하여 평가한다.

실험 결과

연구 질문

• RQ1 인공신경망(ANNs)은 이란 타브리즈 지역에서 수기상 변수를 사용하여 단기 및 장기 가뭄을 효과적으로 예측할 수 있는가?
• RQ2 다양한 수기상 변수를 포함시키는 것은 SPI 기반 가뭄 예측 정확도에 어떤 영향을 미치는가?
• RQ3 다양한 시간 규모(3–48개월)에서 가장 정확한 가뭄 예측을 제공하는 입력 변수 조합은 무엇인가?
• RQ4 표준 성능 지표(RMSE, MAE, CC)는 다양한 입력 구성과 시간 규모에 따라 어떻게 변하는가?

주요 결과

• 강수량, 바람 속도, 상대습도, 일조 시간 등 모든 수기상 변수를 포함시키는 것은 모든 시간 규모에서 SPI 예측 정확도를 유의미하게 향상시킨다.
• 모든 입력 변수를 포함한 모델이 가장 낮은 RMSE와 MAE, 가장 높은 CC를 기록하여 뛰어난 예측 성능을 보였다.
• 예측 정확도는 시간 규모에 따라 달라졌으며, 장기 가뭄(예: 48개월 SPI)은 단기 가뭄보다 더 안정적이고 정확한 예측을 보였다.
• 모든 시간 규모에서 모든 변수를 사용했을 때 상관계수(CC) 값이 가장 높아, 강력한 예측 일관성을 보였다.
• 이 연구는 ANNs가 수기상 변수와 가뭄 지수 간의 복잡한 비선형 관계를 효과적으로 모델링할 수 있음을 확인하였다.
• 결과적으로, 타브리즈와 같이 건조 및 준건조 지역에서는 다변수 입력 모델이 장기적 가뭄 위험 평가에 필수적임을 시사한다.