[论文解读] HydroNets: Leveraging River Structure for Hydrologic Modeling

Zach Moshe, Asher Metzger+4 more|arXiv (Cornell University)|Jul 1, 2020

Hydrology and Watershed Management Studies参考文献 8被引用 39

一句话总结

HydroNets 通过河流网络结构在多个流域之间进行联合预测，使用一个共享且具流域感知的神经网络架构，在数据稀缺时通过利用上游流域信息来提升水文预测。

ABSTRACT

Accurate and scalable hydrologic models are essential building blocks of several important applications, from water resource management to timely flood warnings. However, as the climate changes, precipitation and rainfall-runoff pattern variations become more extreme, and accurate training data that can account for the resulting distributional shifts become more scarce. In this work we present a novel family of hydrologic models, called HydroNets, which leverages river network structure. HydroNets are deep neural network models designed to exploit both basin specific rainfall-runoff signals, and upstream network dynamics, which can lead to improved predictions at longer horizons. The injection of the river structure prior knowledge reduces sample complexity and allows for scalable and more accurate hydrologic modeling even with only a few years of data. We present an empirical study over two large basins in India that convincingly support the proposed model and its advantages.

研究动机与目标

• 将先验的河流网络结构引入水文预测模型。
• 在有限训练数据下通过减少样本复杂度来提升预测效果。
• 在模块化架构中实现共享（物理）和流域特定建模。

提出的方法

• 将水文区域表示为一个有向河流图，流域作为节点、径流作为边。
• 使用三部分的节点设计：一个流域特定的组合器（Combiner）、一个共享水文模型、以及一个流域特定的预测模型。
• 在上游嵌入过程中共享权重，以捕捉共同行水文动力学，同时允许输出具有流域特异性。
• 按区域图将时间嵌入从源头传播到下游流域，形成树状的计算图。
• 以跨所有流域的加权均方误差损失对模型进行训练，以在区域与局部预测精度之间取得平衡。）

实验结果

研究问题

• RQ1 河流网络结构是否可以有效编码到用于多个流域的神经预测模型中？
• RQ2 强制共享的上游动力学是否能降低数据需求并提升长期预测性能？
• RQ3 在多流域场景中，尤其是在有限训练数据时，HydroNets 相较于简单基线有何表现？
• RQ4 区域深度（树状结构）对预测性能有何影响？
• RQ5 HydroNets 是否能够在具有不同上游影响的多样化流域中保持性能？

主要发现

• HydroNets 在代表性流域的两个区域均优于平面线性基线。
• 区域树越深，HydroNets 取得持续的收益，而基线则不一定。
• 随着训练数据减少，HydroNets 的相对收益更显著，表明样本复杂度降低。
• 在各流域中，HydroNets 的持续 R^2 值通常优于平面模型，尤其在上游区域。
• 该模型在利用上游子流域信息通过共享的上游嵌入机制方面持续带来收益。