Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources

要約

監視されていない場所における動的な環境変数の予測は、水資源科学にとって長年の課題のままです。
世界の淡水資源の大部分では、管理に必要な重要な環境変数の監視が不十分です。
しかし、過去数十年にわたる気候と土地利用の変化、およびそれに伴う水資源への影響により、川の流れや水質などの水文変数を広範囲に予測する必要性がますます高まっています。
最新の機械学習手法は、大規模で多様なデータセットから情報を抽出する能力により、水文時系列予測において、プロセスベースの経験モデルに比べてますます優れた性能を発揮しています。
私たちは、川の流れ、水質、その他の水資源予測のための機械学習の関連する最先端のアプリケーションをレビューし、流域の特性を深層学習モデル、転移学習、
プロセスの知識を機械学習モデルに組み込む。
ここでの分析は、これまでの取り組みのほとんどが、米国の毎日の時間スケールでの予測のために多くのサイトで構築された深層学習学習フレームワークに焦点を当ててきたが、異なるクラスの機械学習手法間の比較がほとんどなく、不十分であることを示唆しています。
私たちは、監視されていないサイトでの時系列予測に関するいくつかの未解決の質問を特定します。これには、動的な入力とサイトの特性、メカニズムの理解と空間コンテキスト、説明可能な AI 技術を最新の機械学習フレームワークに組み込むことが含まれます。

要約(オリジナル)

Prediction of dynamic environmental variables in unmonitored sites remains a long-standing challenge for water resources science. The majority of the world’s freshwater resources have inadequate monitoring of critical environmental variables needed for management. Yet, the need to have widespread predictions of hydrological variables such as river flow and water quality has become increasingly urgent due to climate and land use change over the past decades, and their associated impacts on water resources. Modern machine learning methods increasingly outperform their process-based and empirical model counterparts for hydrologic time series prediction with their ability to extract information from large, diverse data sets. We review relevant state-of-the art applications of machine learning for streamflow, water quality, and other water resources prediction and discuss opportunities to improve the use of machine learning with emerging methods for incorporating watershed characteristics into deep learning models, transfer learning, and incorporating process knowledge into machine learning models. The analysis here suggests most prior efforts have been focused on deep learning learning frameworks built on many sites for predictions at daily time scales in the United States, but that comparisons between different classes of machine learning methods are few and inadequate. We identify several open questions for time series predictions in unmonitored sites that include incorporating dynamic inputs and site characteristics, mechanistic understanding and spatial context, and explainable AI techniques in modern machine learning frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google