[论文解读] From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data

Wen‐Ping Tsai, Ming Pan+4 more|arXiv (Cornell University)|Jul 30, 2020

Hydrology and Watershed Management Studies参考文献 58被引用 7

一句话总结

本文提出了一种前向映射参数学习（fPL）框架，用深度学习方法替代传统基于进化算法的校准方法，实现计算速度提升数个数量级，同时保持或提升精度，并改善参数的空间一致性。fPL 从大数据中学习通用且物理解释一致的参数图，其泛化能力和对未校准变量的预测能力优于传统校准方法。

ABSTRACT

The behaviors and skills of models in many geoscientific domains strongly depend on spatially varying parameters that lack direct observations and must be determined by calibration. Calibration, which solves inverse problems, is a classical but inefficient and stochasticity-ridden approach to reconcile models and observations. Using a widely applied hydrologic model and soil moisture observations as a case study, here we propose a novel, forward-mapping parameter learning (fPL) framework. Whereas evolutionary algorithm (EA)-based calibration solves inversion problems one by one, fPL solves a pattern recognition problem and learns a more robust, universal mapping. fPL can save orders-of-magnitude computational time compared to EA-based calibration, while, surprisingly, producing equivalent ending skill metrics. With more training data, fPL learned across sites and showed super-convergence, scaling much more favorably. Moreover, a more important benefit emerged: fPL produced spatially-coherent parameters in better agreement with physical processes. As a result, it demonstrated better results for out-of-training-set locations and uncalibrated variables. Compared to purely data-driven models, fPL can output unobserved variables, in this case simulated evapotranspiration, which agrees better with satellite-based estimates than the comparison EA. The deep-learning-powered fPL frameworks can be uniformly applied to myriad other geoscientific models. We contend that a paradigm shift from inverse parameter calibration to parameter learning will greatly propel various geoscientific domains.

研究动机与目标

• 解决传统地球科学模型中逆向参数校准的低效性和随机性问题。
• 在保持或提升预测精度的前提下，降低大规模水文建模中的计算成本。
• 开发一种可扩展的通用框架，从大规模地理空间数据中学习空间一致的参数。
• 利用学习到的参数映射，准确预测未观测变量（如蒸散发）。
• 推动地球科学建模从校准到学习的范式转变。

提出的方法

• fPL 框架利用深度学习，直接学习从模型输入（如地形、土地覆盖）到最优空间变化参数的前向映射。
• 在合成或观测数据对（模型输入与校准参数）上进行训练，避免迭代式逆向求解。
• 以大规模土壤湿度观测和一种广泛使用的水文模型为案例研究。
• 在多个站点上训练 fPL，以学习可泛化至未见位置的通用参数映射。
• 该框架可随训练数据增加而高效扩展，表现出超收敛特性。
• 输出不仅包括校准参数，还包含未观测的模型变量（如蒸散发），并基于卫星数据进行验证。

实验结果

研究问题

• RQ1 数据驱动的参数学习框架是否能在计算效率和预测精度上超越传统校准方法？
• RQ2 与基于校准的方法相比，fPL 在训练集外位置的泛化能力如何？
• RQ3 fPL 在多大程度上提升了学习参数的空间一致性和物理解释性？
• RQ4 fPL 是否能准确预测未观测的水文变量（如蒸散发）？
• RQ5 在 fPL 框架中，随着训练数据增加，模型性能如何变化？

主要发现

• fPL 在保持或优于进化算法校准的技能指标的同时，将计算时间减少了数个数量级。
• fPL 展现出超收敛特性，其性能随训练数据增加而比校准方法更快提升。
• fPL 学习到的参数表现出更强的空间一致性，并更符合物理过程，优于校准方法所得参数。
• fPL 生成的蒸散发估计值比基于校准的模型更接近卫星观测数据。
• fPL 能有效泛化至未校准的位置和变量，表明其具备鲁棒性和跨站点迁移能力。
• 该框架可普遍适用于其他地球科学模型，预示着从校准到学习的范式变革。