Learning to Generate Lumped Hydrological Models

要約

集中水文モデル構造では、集水域の水文機能はわずかなパラメーターによって特徴付けられます。
一連のパラメーター値が与えられると、水文予測に役立つ数値関数が生成されます。
したがって、この研究では、集水域の水文機能は少数の潜在変数によって十分に特徴付けることができると仮定しています。
変数値を指定することにより、現実世界の集水域の水文関数に似た数値関数を生成モデルを使用して生成できます。
この研究では、深層学習手法を使用して、流域属性を使用せずに、さまざまな流域の気候強制と流出データから直接、さまざまな流域の生成モデルと潜在変数値の両方を学習します。
生成モデルは集中モデル構造と同様に使用できます。つまり、汎用モデル校正アルゴリズムを使用して最適なパラメーターまたは潜在変数値を推定することにより、最適な数値モデルを導き出すことができます。
この研究では、8 つの潜在変数を使用する生成モデルが世界中の 3,000 以上の集水域のデータから学習され、学習された生成モデルは汎用キャリブレーション アルゴリズムを使用して 700 以上の異なる集水域のモデルに適用されました。
結果として得られる最適なモデルの品質は、通常、36 種類の異なる種類の一括モデル構造を使用して得られたもの、または非生成ディープラーニング手法を使用して得られたものと同等かそれより優れていました。
要約すると、この研究は、低次元空間で集水域の水文機能を表現するためのデータ駆動型アプローチと、その表現から特定の水文機能を再構成する方法を提示します。

要約(オリジナル)

In a lumped hydrological model structure, the hydrological function of a catchment is characterized by only a few parameters. Given a set of parameter values, a numerical function useful for hydrological prediction is generated. Thus, this study assumes that the hydrological function of a catchment can be sufficiently well characterized by a small number of latent variables. By specifying the variable values, a numerical function resembling the hydrological function of a real-world catchment can be generated using a generative model. In this study, a deep learning method is used to learn both the generative model and the latent variable values of different catchments directly from their climate forcing and runoff data, without using catchment attributes. The generative models can be used similarly to a lumped model structure, i.e., by estimating the optimal parameter or latent variable values using a generic model calibration algorithm, an optimal numerical model can be derived. In this study, generative models using eight latent variables were learned from data from over 3,000 catchments worldwide, and the learned generative models were applied to model over 700 different catchments using a generic calibration algorithm. The quality of the resulting optimal models was generally comparable to or better than that obtained using 36 different types of lump model structures or using non-generative deep learning methods. In summary, this study presents a data-driven approach for representing the hydrological function of a catchment in low-dimensional space and a method for reconstructing specific hydrological functions from the representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google