How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades

要約

エバーグレーズは、洪水や干ばつの調節、水資源計画、周辺地域の生態系管理において重要な役割を果たしている。しかし、従来の物理学に基づく統計的な水位予測手法は、計算コストが高く、多様な条件や不測の事態への適応性に限界があるなど、しばしば大きな課題に直面している。大規模な時系列モデルにおける最近の進歩は、このような限界に対処する可能性を示しており、最先端のディープラーニングや基礎モデルは、様々な領域における時系列予測において目覚ましい成功を収めている。このような進歩にもかかわらず、エバーグレーズのような重要な環境システムへの適用については、まだ十分に検討されていない。本研究では、エバーグレーズの水位予測に焦点を当てた実世界のアプリケーションに対して、6つのカテゴリーにわたる12のタスク固有モデルと5つの時系列基礎モデルを調査することにより、このギャップを埋める。我々の主要な結果は、基盤モデルであるChronosが他の全てのモデルを大幅に上回る性能を示す一方、残りの基盤モデルは相対的に低い性能を示すことを示している。さらに、タスク固有モデルの性能は、モデルアーキテクチャによって異なる。最後に、モデルの性能がばらつく原因について考察する。

要約(オリジナル)

The Everglades play a crucial role in flood and drought regulation, water resource planning, and ecosystem management in the surrounding regions. However, traditional physics-based and statistical methods for predicting water levels often face significant challenges, including high computational costs and limited adaptability to diverse or unforeseen conditions. Recent advancements in large time series models have demonstrated the potential to address these limitations, with state-of-the-art deep learning and foundation models achieving remarkable success in time series forecasting across various domains. Despite this progress, their application to critical environmental systems, such as the Everglades, remains underexplored. In this study, we fill the gap by investigating twelve task-specific models and five time series foundation models across six categories for a real-world application focused on water level prediction in the Everglades. Our primary results show that the foundation model, Chronos, significantly outperforms all other models while the remaining foundation models exhibit relatively poor performance. Moreover, the performance of task-specific models varies with the model architectures. Lastly, we discuss the possible reasons for the varying performance of models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL