Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology

要約

正確な水文理解と水循環予測は、特に人為的気候変動の動的な影響下での水資源の管理に関連する科学的および社会的課題に対処するために非常に重要です。
既存のレビューは主にこの分野の機械学習 (ML) の開発に焦点を当てていますが、水文学と ML は別個のパラダイムとして明確に区別されています。
ここでは、認識されている障壁を克服し、両方の分野に革命を起こす革新的なアプローチとして、物理学を意識した ML を紹介します。
具体的には、物理​​学を意識した ML 手法の包括的なレビューを提示し、事前の物理知識または物理ベースのモデリングを ML に統合する既存の手法の構造化コミュニティ (PaML) を構築します。
私たちは、物理データに基づく ML、物理情報に基づく ML、物理埋め込み ML、および物理を意識したハイブリッド学習の 4 つの側面に関して、これらの PaML 方法論を体系的に分析します。
PaML は、ML を利用した仮説を促進し、ビッグデータからの洞察を加速し、科学的発見を促進します。
我々はまず、降雨流出水文学プロセスや水力学プロセスなど、PaML における水文学の体系的なレビューを実施し、さまざまな目的と PaML 手法の最も有望かつ挑戦的な方向性を強調します。
最後に、HydroPML と呼ばれる新しい PaML ベースの水文学プラットフォームが、水文学アプリケーションの基盤としてリリースされました。
HydroPML は ML の説明可能性と因果関係を強化し、デジタル水循環実現の基礎を築きます。
HydroPML プラットフォームは https://hydropml.github.io/ で公開されています。

要約(オリジナル)

Accurate hydrological understanding and water cycle prediction are crucial for addressing scientific and societal challenges associated with the management of water resources, particularly under the dynamic influence of anthropogenic climate change. Existing reviews predominantly concentrate on the development of machine learning (ML) in this field, yet there is a clear distinction between hydrology and ML as separate paradigms. Here, we introduce physics-aware ML as a transformative approach to overcome the perceived barrier and revolutionize both fields. Specifically, we present a comprehensive review of the physics-aware ML methods, building a structured community (PaML) of existing methodologies that integrate prior physical knowledge or physics-based modeling into ML. We systematically analyze these PaML methodologies with respect to four aspects: physical data-guided ML, physics-informed ML, physics-embedded ML, and physics-aware hybrid learning. PaML facilitates ML-aided hypotheses, accelerating insights from big data and fostering scientific discoveries. We first conduct a systematic review of hydrology in PaML, including rainfall-runoff hydrological processes and hydrodynamic processes, and highlight the most promising and challenging directions for different objectives and PaML methods. Finally, a new PaML-based hydrology platform, termed HydroPML, is released as a foundation for hydrological applications. HydroPML enhances the explainability and causality of ML and lays the groundwork for the digital water cycle’s realization. The HydroPML platform is publicly available at https://hydropml.github.io/.

arxiv情報

著者 Qingsong Xu,Yilei Shi,Jonathan Bamber,Ye Tuo,Ralf Ludwig,Xiao Xiang Zhu
発行日 2024-02-28 18:04:37+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, physics.flu-dyn パーマリンク