[論文レビュー] SWAT Watershed Model Calibration using Deep Learning

Maruti Kumar Mudunuru, Kyongho Son+2 more|arXiv (Cornell University)|Oct 6, 2021

Hydrology and Watershed Management Studies参考文献 76被引用数 10

ひとこと要約

本稿では、流出洪水データを入力として21個のモデルパラメータを推定する畳み込みニューラルネットワーク（CNN）を用いた、深層学習（DL）ベースの SWAT流域モデルのキャリブレーション手法を提案する。DLアプローチは、従来のGLUE手法に比べて高速かつ高精度で信頼性の高いパラメータ推定を達成し、R²が0.53、Nash-Sutcliffe効率が0.67に達するが、GLUEに比べて推論時間が1,000倍以上速い。

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.

研究の動機と目的

• 高次元のSWATモデルキャリブレーションにおける従来のパラメータ推定手法の計算非効率性と低精度を是正すること。
• 流出洪水観測データを用いてSWATモデルのキャリブレーションを高速化するための深層学習フレームワークの開発。
• 観測ノイズと高次元パラメータ空間下での推定パラメータの信頼性と精度の向上。
• モデルキャリブレーションに伴う計算コストを低減することで、大規模な流域モデリングのスケーラビリティを実現すること。
• 非線形で複雑なパラメータ-応答関係を示す水文系における逆問題モデリングにDLを適用する可能性を実証すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を訓練し、観測された流出洪水水文曲線から対応するSWATモデルパラメータをマッピングする。
• 多様なパラメータセットとそれに対応する流出洪水出力を有する、アンサンブルSWATシミュレーションを用いて訓練・検証・テストデータセットを生成する。
• 最適なCNNアーキテクチャと9つの上位性能を示す代替アーキテクチャを特定するためのハイパーパramータチューニングを実施する。
• エンドツーエンドで、アンサンブルSWATランから生成された合成データ上でDLモデルを訓練し、流出洪水とパラメータ間の非線形関係を学習する。
• 標準的な水文指標（R²、Nash-Sutcliffe効率（NSE）、対数Nash-Sutcliffe効率、Kling-Gupta効率（KGE））を用いてモデル性能を評価する。
• 実際の流出データを用いて、ヤキマ川流域に位置するアメリカンリバー流域で、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、流出洪水観測データからSWATモデルパラメータを従来のキャリブレーション手法を上回る精度で推定できるか？
• RQ2 高い観測誤差とノイズがかかる状況下でも、DLベースのキャリブレーションはどのように性能を発揮するか？
• RQ3 推論時間の観点から、GLUEに比べてDLアプローチはどの程度の計算速度向上を達成するか？
• RQ4 推定されたパラメータは、アンサンブルシミュレーションのサンプリング範囲内でどのようにクラスタリングされるか？
• RQ5 非線形で複雑な水文的応答を示す実世界の流域応用に、DLモデルは一般化可能か？

主な発見

• DLベースのキャリブレーションは、R²が0.53、NSEが0.67、logNSEが0.78、KGEが0.74を達成し、最良のGLUEセット（R²: 0.48、NSE: 0.60、logNSE: 0.70、KGE: 0.68）を上回った。
• DLが推定した妥当なパラメータセットは、GLUEよりも範囲が狭く、不確実性が低く、信頼性が高いことを示した。
• 高い相対的観測誤差がかかる状況下でも、DLが推定したパラメータはサンプリング範囲内に収まり、良好にクラスタリングされた。ノイズに対するロバストネスを示した。
• DLの推論速度は、100～1000回以上の前方モデル実行を要するGLUEに比べ、少なくともO(10³)倍速く、大規模な流域へのスケーラブルな応用を可能にした。
• CNNは流出洪水水文曲線とSWATパラメータ間の非線形関係を効果的に捉え、低流量および高流量の予測精度を向上させた。
• 本手法は一般化可能であり、トランスファーラーニングを用いて他の流域モデルへ応用可能であり、今後の研究では多様なデータ源（例：蒸発散量、積雪水等）の統合が可能となる。