[论文解读] 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 6

一句话总结

本研究应用机器学习（ML）与深度学习（DL）模型——特别是卷积神经网络（CNNs）——利用美国华盛顿州汉福德附近哥伦比亚河的数值模型生成的高时间分辨率地下水温度数据，推断地表水-地下水交换通量。在噪声数据中，DL模型表现优于ML方法，但ML模型在识别网络优化的关键观测点方面更具优势；令人惊讶的是，两种方法对向上通量的推断精度均高于向下通量，提示其与数值建模可能存在协同潜力。

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.

研究动机与目标

• 评估机器学习与深度学习方法在高时间分辨率地下水温度测量数据基础上推断地表水-地下水交换通量的性能。
• 评估ML与DL模型在合成温度数据不同噪声水平下的表现。
• 比较ML与DL模型在识别关键温度观测点以优化监测网络方面的能力。
• 探究向上与向下交换通量在推断精度上是否存在潜在不对称性。

提出的方法

• 利用美国华盛顿州汉福德附近哥伦比亚河的高分辨率数值模型，生成具有不同噪声水平的合成温度时间序列。
• 训练机器学习模型（如随机森林、梯度提升）和深度学习模型（特别是卷积神经网络），以从温度数据预测通量。
• 应用平滑滤波器以模拟真实世界的数据退化，并在不同噪声强度下评估性能。
• 采用平均绝对误差和决定系数（R-squared）等指标评估模型性能，将预测结果与数值模型生成的真实通量进行比较。
• 对ML模型进行特征重要性分析，以识别对通量推断最具信息量的温度观测点。
• 比较模型在向上与向下通量推断上的精度，以评估模型性能中是否存在方向性偏差。

实验结果

研究问题

• RQ1 机器学习与深度学习模型能否准确地从高时间分辨率地下水温度数据中推断地表水-地下水交换通量？
• RQ2 在不同噪声水平和数据平滑条件下，ML与DL模型的表现如何？
• RQ3 ML模型是否在识别优化监测网络所需的关键温度观测点方面优于DL模型？
• RQ4 为何ML与DL模型在推断向上通量时的精度高于向下通量，与先前数值建模研究结果相反？
• RQ5 将ML/DL推断与数值建模相结合，能否提升河流系统下方的通量估计精度？

主要发现

• 深度学习模型，特别是卷积神经网络，在噪声温度数据中推断通量方面优于传统机器学习方法，尤其在应用平滑滤波器后表现更优。
• 机器学习模型在识别一组关键温度观测点方面表现出更强能力，可为优化监测网络设计提供依据。
• ML与DL模型在推断向上地下水通量时的精度高于向下通量，这一反直觉结果与先前数值建模研究结果不一致。
• 向上与向下通量推断之间的性能差距提示可能存在模型偏差或数据表征问题，需进一步研究。
• 结果表明，将ML/DL推断与数值建模结合，可提升复杂河流环境中通量估计的精度。
• 本研究证实，高时间分辨率温度数据可被ML与DL模型有效利用，以高保真度估计地表水-地下水交换通量。