[논문 리뷰] SWAT Watershed Model Calibration using Deep Learning

Maruti Kumar Mudunuru, Kyongho Son외 2명|arXiv (Cornell University)|2021. 10. 06.

Hydrology and Watershed Management Studies참고 문헌 76인용 수 10

한 줄 요약

이 논문은 유량 데이터를 입력으로 받아 21개의 모델 파라미터를 추정하는 컨volution 신경망(CNN)을 활용한 딥러닝(DL) 기반의 SWAT 유역 모델 校정 방법을 제안한다. DL 접근법은 전통적인 GLUE 방법보다 빠르고 정확하며 신뢰도가 높으며, 결정계수 R²가 0.53이고 네ash-Sutcliffe 효율성(NSE)이 0.67이며, GLUE보다 추론 속도가 1,000배 이상 빠르다.

ABSTRACT

Watershed models such as the Soil and Water Assessment Tool (SWAT) consist of high-dimensional physical and empirical parameters. These parameters need to be accurately calibrated for models to produce reliable predictions for streamflow, evapotranspiration, snow water equivalent, and nutrient loading. Existing parameter estimation methods are time-consuming, inefficient, and computationally intensive, with reduced accuracy when estimating high-dimensional parameters. In this paper, we present a fast, accurate, and reliable methodology to calibrate the SWAT model (i.e., 21 parameters) using deep learning (DL). We develop DL-enabled inverse models based on convolutional neural networks to ingest streamflow data and estimate the SWAT model parameters. Hyperparameter tuning is performed to identify the optimal neural network architecture and the nine next best candidates. We use ensemble SWAT simulations to train, validate, and test the above DL models. We estimated the actual parameters of the SWAT model using observational data. We test and validate the proposed DL methodology on the American River Watershed, located in the Pacific Northwest-based Yakima River basin. Our results show that the DL models-based calibration is better than traditional parameter estimation methods, such as generalized likelihood uncertainty estimation (GLUE). The behavioral parameter sets estimated by DL have narrower ranges than GLUE and produce values within the sampling range even under high relative observational errors. This narrow range of parameters shows the reliability of the proposed workflow to estimate sensitive parameters accurately even under noise. Due to its fast and reasonably accurate estimations of process parameters, the proposed DL workflow is attractive for calibrating integrated hydrologic models for large spatial-scale applications.

연구 동기 및 목표

• 고차원의 SWAT 모델 校정에서 전통적인 파라미터 추정 방법의 계산 비효율성과 낮은 정확도 문제를 해결하기 위해.
• 유량 관측 자료를 활용하여 SWAT 모델의 校정을 가속화하는 딥러닝 프레임워크를 개발하기 위해.
• 관측 오차와 고차원 파라미터 공간 하에서 추정된 파라미터의 신뢰성과 정밀도를 향상시키기 위해.
• 모델 校정과 관련된 계산 비용을 감소시켜 대규모 유역 모델링의 확장 가능성을 확보하기 위해.
• 복잡하고 비선형적인 파라미터-응답 관계를 가진 수문학적 시스템에서 역모델링에 딥러닝을 적용할 수 있는 가능성을 입증하기 위해.

제안 방법

• 관측된 유량 수문선을 기반으로 해당하는 SWAT 모델 파라미터를 추정하는 컨volution 신경망(CNN)을 훈련한다.
• 다양한 파라미터 조합과 그에 따른 유량 출력을 포함하는 훈련, 검증, 테스트 데이터셋을 확보하기 위해 앙상블 SWAT 시뮬레이션을 활용한다.
• 최적의 CNN 아키텍처와 9개의 상위 성능 대안을 도출하기 위해 하이퍼파rameter 튜닝을 수행한다.
• 앙상블 SWAT 실행으로 생성된 합성 데이터를 기반으로 엔드 투 엔드로 DL 모델을 훈련하여, 수문선과 파라미터 간의 비선형 관계를 학습한다.
• 표준 수문학적 평가 지표인 R², 네ash-Sutcliffe 효율성(NSE), 로그 NSE, Kling-Gupta 효율성(KGE)을 사용하여 모델 성능을 평가한다.
• 실제 유량 데이터를 활용하여 야키마 강 유역 내 미국 강 유역에서 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 유량 관측 자료로부터 SWAT 모델 파라미터를 정확하게 추정할 수 있으며, 기존의 전통적 校정 방법을 능가할 수 있는가?
• RQ2 높은 관측 오차와 노이즈가 있는 상황에서도 딥러닝 기반의 校정 성능은 어떻게 되는가?
• RQ3 추론 시간 측면에서 GLUE 대비 딥러닝 접근법의 계산 속도 향상은 어느 정도인가?
• RQ4 추정된 파라미터가 앙상블 시뮬레이션의 표본 범위 내에서 얼마나 잘 군집되어 있는가?
• RQ5 복잡하고 비선형적인 수문학적 반응을 보이는 실제 유역 응용에 대해 딥러닝 모델의 일반화 능력은 어느 정도인가?

주요 결과

• DL 기반 校정은 R² 0.53, NSE 0.67, logNSE 0.78, KGE 0.74를 기록하여, 최고의 GLUE 기반 결과(R²: 0.48, NSE: 0.60, logNSE: 0.70, KGE: 0.68)를 초월했다.
• DL이 추정한 유의미한 파라미터 조합은 GLUE보다 더 좁은 범위를 보였으며, 이는 더 높은 신뢰성과 낮은 불확실성을 의미한다.
• 높은 상대적 관측 오차가 존재하는 상황에서도 DL로 추정한 파라미터는 여전히 표본 범위 내에 위치하고 잘 군집되어 있었으며, 노이즈에 대한 강건성을 입증했다.
• DL 추론 속도는 GLUE 대비 최소 O(10³)배 빠르며, GLUE는 100~1,000개 이상의 정방향 모델 실행이 필요로 하므로, 대규모 유역에 대한 확장 가능한 응용이 가능하다.
• CNN는 수문선과 SWAT 파라미터 간의 비선형 관계를 효과적으로 포착하여, 저유량 및 고유량 예측 성능을 향상시켰다.
• 이 방법론은 일반화 가능하며, 향후 전이 학습을 통해 다른 유역 모델로 확장 가능하며, 다중 소스 데이터(예: 증발산, SWE 등) 통합 가능성도 보유하고 있다.