[论文解读] AutoML-Based Drought Forecast with Meteorological Variables

Shiheng Duan, Xiurui Zhang|arXiv (Cornell University)|Jun 9, 2022

Hydrology and Drought Analysis被引用 12

一句话总结

本文提出了一种基于AutoML的框架，利用AutoGluon，通过气象变量和静态环境变量，提前六周预测美国干旱状况。该框架在性能上与LSTM和Transformer等深度学习模型相当或更优，尤其在短期（第1周）预测中表现突出，且对数据和计算资源的需求更低，证明了AutoML在水文气候建模中作为轻量级基准的可行性。

ABSTRACT

A precise forecast for droughts is of considerable value to scientific research, agriculture, and water resource management. With emerging developments of data-driven approaches for hydro-climate modeling, this paper investigates an AutoML-based framework to forecast droughts in the U.S. Compared with commonly-used temporal deep learning models, the AutoML model can achieve comparable performance with less training data and time. As deep learning models are becoming popular for Earth system modeling, this paper aims to bring more efforts to AutoML-based methods, and the use of them as benchmark baselines for more complex deep learning models.

研究动机与目标

• 开发一种基于数据驱动的干旱预测框架，利用自动化机器学习（AutoML）以减少对复杂深度学习模型的依赖。
• 评估AutoGluon在使用气象变量和静态变量进行美国干旱预测时，相对于最先进深度学习模型（LSTM、Transformer）的性能表现。
• 证明AutoML可在更少的训练数据、更短的时间和更低的计算资源下，实现与深度学习模型相当或更优的性能。
• 探索AutoML在地球系统科学中作为更复杂深度学习模型基准基线的可行性。
• 评估在干旱预测中模型的可解释性与透明度，利用AutoGluon中的树基模型实现。

提出的方法

• 本研究使用DroughtED基准数据集，其中包含县一级的干旱监测数据、180天的气象变量（如降水量、温度）以及来自NASA POWER和全球土壤数据库（Harmonized World Soil Database）的静态特征（如坡度、土地利用）。
• 采用AutoGluon作为AutoML框架，通过单层堆叠集成模型进行回归和分类任务，基础模型包括LightGBM、XGBoost、CatBoost和FastAI神经网络。
• 输入特征通过中位数和四分位距（用于气象变量）以及均值和标准差（用于静态特征）进行归一化处理。
• 由于基准数据集中验证数据有限（2010–2011年），模型在60%的数据上进行训练，并在剩余40%的训练集中进行验证。
• 性能通过平均绝对误差（MAE）评估回归任务，通过宏观平均F1分数评估分类任务，覆盖1至6周的预报提前期。
• 通过利用AutoGluon中的树基模型（如LightGBM），增强模型可解释性，支持特征重要性分析和透明的决策路径。

实验结果

研究问题

• RQ1 像AutoGluon这样的AutoML框架能否在干旱预测性能上与LSTM和Transformer等深度学习模型相当或更优？
• RQ2 AutoML是否能减少水文气候预测中对大规模训练数据和高计算资源（如GPU）的需求？
• RQ3 模型性能在不同预报提前期（1–6周）下如何变化？AutoML在早期预报中是否仍保持优势？
• RQ4 与复杂的神经网络相比，AutoML模型在地球系统科学应用中是否具备更好的可解释性和可解释性？
• RQ5 AutoML是否适合作为评估更复杂深度学习模型在干旱预测中表现的基准基线？

主要发现

• 在第1周干旱预测中，AutoGluon取得了最高的F1分数（0.837）和最低的MAE（0.111），优于LSTM和Transformer模型。
• AutoGluon在所有提前期均保持了具有竞争力的性能，F1分数从第2周的0.696降至第6周的0.479，且在后期（第5周和第6周）分类任务中超过单一深度学习模型。
• 在回归任务中，AutoGluon在第1周取得最低MAE（0.111），而深度学习模型（LSTM+Transformer）在第2至5周表现更优，表明中期预报中存在更高的非线性特征。
• 随着预报提前期增加，模型性能呈下降趋势，这与干旱预测的一般趋势一致，但AutoGluon在后期表现出更强的稳定性。
• AutoGluon的轻量化架构及树基模型的使用，实现了更快的训练速度和更低的计算需求，使其适用于缺乏GPU资源的研究人员。
• 研究表明，特别是具备可解释组件的AutoML模型，可作为地球系统科学中复杂深度学习模型的有效、透明的基线。