Replication Study: Enhancing Hydrological Modeling with Physics-Guided Machine Learning

要約

現在の水文学モデリング手法は、データ駆動型の機械学習 (ML) アルゴリズムと従来の物理ベースのモデルを組み合わせて、それぞれの限界、厳格な物理ベースのモデルからの不正確なパラメーター推定、および ML アルゴリズムによる物理プロセス制約の無視に対処しています。
結果予測における ML の精度にもかかわらず、信頼性の高い予測には科学的知識の統合が不可欠です。
この研究では、概念的な水文学モデルのプロセスの理解と ML アルゴリズムの予測効率を統合する、物理情報に基づく機械学習 (PIML) モデルを導入します。
アナンダプール準集水域に適用された PIML モデルは、スタンドアロンの概念モデルと ML アルゴリズムの両方に対して、毎月の流量と実際の蒸発散量の予測において優れたパフォーマンスを示し、出力の物理的な一貫性を保証します。
この研究は、Bhasme, P.、Vagadiya, J.、および Bhatia, U. (2022) の重要な研究である水文プロセスの物理情報に基づく機械学習の方法論を再現しており、共有コードとデータセットを利用して、水文プロセスの予測機能をさらに調査しています。
水文モデリング。

要約(オリジナル)

Current hydrological modeling methods combine data-driven Machine Learning (ML) algorithms and traditional physics-based models to address their respective limitations incorrect parameter estimates from rigid physics-based models and the neglect of physical process constraints by ML algorithms. Despite the accuracy of ML in outcome prediction, the integration of scientific knowledge is crucial for reliable predictions. This study introduces a Physics Informed Machine Learning (PIML) model, which merges the process understanding of conceptual hydrological models with the predictive efficiency of ML algorithms. Applied to the Anandapur sub-catchment, the PIML model demonstrates superior performance in forecasting monthly streamflow and actual evapotranspiration over both standalone conceptual models and ML algorithms, ensuring physical consistency of the outputs. This study replicates the methodologies of Bhasme, P., Vagadiya, J., & Bhatia, U. (2022) from their pivotal work on Physics Informed Machine Learning for hydrological processes, utilizing their shared code and datasets to further explore the predictive capabilities in hydrological modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google