[論文レビュー] Application of Machine Learning Methods in Inferring Surface Water Groundwater Exchanges using High Temporal Resolution Temperature Measurements

Mohammad A. Moghaddam, Ty P. A. Ferré+3 more|arXiv (Cornell University)|Jan 3, 2022

Hydrological Forecasting Using AI被引用数 6

ひとこと要約

本研究では、ワシントン州ハンフォード近郊のコロンビア川の数値モデルから得られた高時間分解能の地下温度データを用いて、機械学習（ML）およびディープラーニング（DL）モデル、特に畳み込みニューラルネットワーク（CNN）を応用し、地表面水と地下水の間の交換フラックスを推定する。ノイズの多いデータではDLモデルがML手法を上回るが、MLモデルはネットワーク最適化に向けた重要な観測値をよりよく特定する。驚くべきことに、両手法とも上向きフラックスを下向きフラックスよりも正確に推定しており、数値モデルと併用する可能性がある。

ABSTRACT

We examine the ability of machine learning (ML) and deep learning (DL) algorithms to infer surface/ground exchange flux based on subsurface temperature observations. The observations and fluxes are produced from a high-resolution numerical model representing conditions in the Columbia River near the Department of Energy Hanford site located in southeastern Washington State. Random measurement error, of varying magnitude, is added to the synthetic temperature observations. The results indicate that both ML and DL methods can be used to infer the surface/ground exchange flux. DL methods, especially convolutional neural networks, outperform the ML methods when used to interpret noisy temperature data with a smoothing filter applied. However, the ML methods also performed well and they are can better identify a reduced number of important observations, which could be useful for measurement network optimization. Surprisingly, the ML and DL methods better inferred upward flux than downward flux. This is in direct contrast to previous findings using numerical models to infer flux from temperature observations and it may suggest that combined use of ML or DL inference with numerical inference could improve flux estimation beneath river systems.

研究の動機と目的

• 高時間分解能の地下温度測定値から表面水-地下水交換フラックスを推定するための機械学習およびディープラーニング手法の評価。
• 合成温度データにおける測定ノイズの異なるレベル下でのMLおよびDLモデルの性能評価。
• MLおよびDLモデルが、監視ネットワーク最適化のための重要な温度観測値を特定する能力の比較。
• 上向きと下向きの交換フラックス推定精度に顕著な非対称性が生じるかどうかの調査。

提案手法

• ワシントン州ハンフォード近郊のコロンビア川の高分解能数値モデルを用いて、ノイズレベルを変化させた合成温度時系列を生成した。
• ランダムフォレストや勾配ブースティングなどの機械学習モデルと、特に畳み込みニューラルネットワーク（CNN）を含むディープラーニングモデルを、温度データからフラックスを予測するように訓練した。
• 実世界のデータ劣化を模倣するためのスムージングフィルタを適用し、異なるノイズ強度下での性能を評価した。
• 平均絶対誤差や決定係数（R-squared）などの指標を用いて、数値モデルからの真値フラックスと比較してモデルの性能を評価した。
• MLモデルにおける特徴量の重要度分析を実施し、フラックス推定に最も寄与する温度観測値を同定した。
• 上向きと下向きのフラックス推定精度を比較することで、モデル性能に方向性バイアスが存在するかどうかを評価した。

実験結果

リサーチクエスチョン

• RQ1 機械学習およびディープラーニングモデルは、高時間分解能の地下温度データから表面水-地下水交換フラックスを正確に推定できるか？
• RQ2 MLおよびDLモデルは、測定ノイズの異なるレベルおよびデータスムージングの下で、どの程度の性能を示すか？
• RQ3 MLモデルは、監視ネットワーク最適化のための重要な温度観測値を特定する点で、DLモデルを上回るか？
• RQ4 なぜMLおよびDLモデルは、従来の数値モデル研究とは逆に、上向きフラックスの推定精度が下向きフラックスよりも高いのか？
• RQ5 ML/DL推定と数値モデルを組み合わせることで、河川系下部のフラックス推定精度を向上させられるか？

主な発見

• 特に畳み込みニューラルネットワーク（CNN）を含むディープラーニングモデルは、ノイズの多い温度データからのフラックス推定において、従来の機械学習手法を上回った。特にスムージングフィルタを適用した場合に顕著であった。
• 機械学習モデルは、監視ネットワーク最適化に役立つ、重要な温度観測値の縮小セットを特定する能力に優れていた。
• MLおよびDLモデルともに、上向きの地下水フラックスの推定精度が下向きフラックスよりも高かった。これは、従来の数値モデル研究とは逆の直感に反する結果であり、注目すべき点である。
• 上向きと下向きフラックスの推定精度の差は、モデルバイアスやデータ表現の問題を示唆しており、今後の調査が求められる。
• 本研究の結果から、ML/DL推定と数値モデルを組み合わせることで、複雑な河川環境におけるフラックス推定精度を向上させられる可能性がある。
• 本研究は、高時間分解能の温度データが、MLおよびDLモデルによって高精度に表面水-地下水交換フラックス推定に活用可能であることを確認した。