[논문 리뷰] Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks

Muhammed Sit, Bekir Zahit Demiray외 1명|arXiv (Cornell University)|2021. 07. 07.

Hydrological Forecasting Using AI참고 문헌 20인용 수 53

한 줄 요약

논문은 업스트림 강 네트워크를 사용하여 아웃렛 센서의 다음 36시간의 매시간 유량을 예측하는 Graph Convolutional GRU 모델인 StreamGConvGRU를 소개하고, Johnson County, Iowa 연구 네트워크에서 지속성(persistence)과 ConvBiGRU baseline을 능가한다.

ABSTRACT

The frequency and impact of floods are expected to increase due to climate change. It is crucial to predict streamflow, consequently flooding, in order to prepare and mitigate its consequences in terms of property damage and fatalities. This paper presents a Graph Convolutional GRUs based model to predict the next 36 hours of streamflow for a sensor location using the upstream river network. As shown in experiment results, the model presented in this study provides better performance than the persistence baseline and a Convolutional Bidirectional GRU network for the selected study area in short-term streamflow prediction.

연구 동기 및 목표

• 기후변화로 인한 홍수 위험 증가로 인해 단기 유량 예측의 정확성 필요성을 동기부여한다.
• 상류 수문 연결성을 활용하여 미래의 유량을 예측하는 그래프 기반 신경망 접근법을 개발한다.
• 실제 네트워크에서 기초값인 persistence 및 ConvBiGRU 모델에 비해 예측 성능 향상을 입증한다.
• 소규모 강 네트워크에서 수문 예측에 그래프 신경망(Graph Neural Networks)을 사용하는 타당성을 평가한다.

제안 방법

• StreamGConvGRU를 제안한다. 이는 과거 36시간 유출량, 과거 36시간 강수량, 그리고 다음 36시간 강수량의 세 데이터 시퀀스를 다루는 세 가지 서브네트를 활용하는 Graph Convolutional GRU 네트워크이다.
• 수문 연결성과 관측소 간 거리(에지 가중치)를 기반으로 8개 USGS 센서 위치의 그래프를 구성한다.
• 15분 측정을 시 hourly로 집계; 각 유역 내 Stage IV 강수를 집계; 세 시퀀스를 각각 별도의 GConvGRU 분기에 입력하고, 그 출력들을 합산하여 선형 층으로 전달해 모든 센서에 대한 36 h 예측을 산출한다.
• 평가 지표로 Nash-Sutcliffe Efficiency (NSE)를 사용하여 StreamGConvGRU를 ConvBiGRU 기본 모델 및 persistence 기본과 비교한다.
• NVIDIA GPU에서 RMSprop와 L1 손실로 모델을 학습시키고; 최적의 검증 가중치를 선택하며 테스트 예측을 보고한다.
• StreamGConvGRU를 pytorch-geometric-temporal로 구현했다; ConvBiGRU는 모든 센서에 걸쳐 24x36 입력 행렬을 사용했다.

실험 결과

연구 질문

• RQ1 상류 강 네트워크 정보를 활용하는 Graph Convolutional GRU 모델이 대상 센서에서 단기(36 h) 매시간 유량 예측을 개선할 수 있는가?
• RQ2 StreamGConvGRU가 NSE 측면에서 hourly 유량 예측에 대해 persistence 기본 및 ConvBiGRU 기본보다 성능이 우수한가?
• RQ3 단기 유량 예측에서 상류 네트워크 데이터와 공간적 연결성이 예측 정확도에 기여하는 바는 무엇인가?
• RQ4 소규모 강 네트워크에서의 예비 결과가 더 큰 네트워크 또는 더 긴 예측 기간으로의 확장성을 시사하는가?

주요 결과

• StreamGConvGRU는 다섯 번째 시간 이후 단기 매시간 유량 예측에서 persistence 기본 및 ConvBiGRU 모델을 능가한다.
• streamflow 변화로 인해 초기 시간대에 지속성의 성능이 가장 우수하지만, 상류 정보를 활용함에 따라 StreamGConvGRU는 예측 선두를 얻는다.
• 이 설정에서 GRU 기반 모델 중에서 강력하지만 ConvBiGRU는 StreamGConvGRU의 성능에 미치지 못한다.
• 본 연구는 8개 게이지의 실제 센서 네트워크에서 스트림플로우 예측을 위한 그래프 신경망(Graph Neural Networks)의 가능성을 보여준다.