Py学习  »  机器学习算法

HA.091 [机器学习与水文模拟]通过反向解译深度学习模型揭示流域产洪机制

Hydro90 • 2 年前 • 832 次点击  


作者简介|PROFILE


蒋世杰

德国亥姆霍兹环境研究中心(UFZ)博士后研究员,新加坡国立大学博士(2021年获得学位,南方科技大学联合培养)。主要研究兴趣为深度学习、计算机视觉和可解释的人工智能在水文水资源研究中的应用,相关成果已发表在Water Resources Research, Geophysical Research Letter, Journal of Hydrology等期刊上。目前主要从事复合洪水事件气候特征分析的研究。

联系方式:shijie.jiang@hotmail.com






引文链接|CITATION


Jiang, S., Zheng, Y.*, Wang, C., & Babovic, V.* (2022). Uncovering flooding mechanisms across the contiguous United States through interpretive deep learning on representative catchments. Water Resources Research, 58(1), e2021WR030185.

DOI: 10.1029/2021WR030185


关键词|KEYWORDS


机器学习,人工智能,可解释,洪水,LSTM


摘要|ABSTRACT


近年来,机器学习方法在水文模拟领域再次受到重视,显著提高了模型预测准确性和不同场景下的泛化能力。然而,机器学习(特别是深度学习)模型内部的复杂非线性结构通常难以被直观解释,如何通过这些“黑箱”模型来实现知识发现是一个具有挑战性和吸引力的问题。

本研究提出了一种通过可解释人工智能(explainable AI)解析流域洪水产生机制的新方法,包括机器学习建模、模型数据模式反向解译和模式聚类分析等关键步骤(图1)。基于该方法框架,采用长短时记忆网络(Long Short Term Memory Network, LSTM)对美国大陆160个代表性流域构建水文模型,并通过机器学习反向解译技术“期望梯度法”(expected gradients)识别了洪峰的关键解释变量,剖析了LSTM模型的内部工作原理。研究发现,流域出口洪峰值与降水、气温之间存在三种典型输入-输出响应模式,指示了三种流域尺度产洪机制:融雪驱动、近期(极端)降雨驱动和历史降雨累积效应(流域蓄满程度)驱动。产洪机制的空间分异规律很好地反映了流域的地理和气候条件(图2)。新方法仅需降水和气温信息,从纯数据角度完成产洪机制解译,大大降低了传统方法的数据要求和主观性。


图1 利用可解释人工智能分析产洪机制的方法框架图(论文中的Figure 1)

图2 产洪机制的空间分布及其与流域地理和气候条件的关系(论文中的Figure 8)

研究采用“加性分解法”(additive decomposition)进一步分析了LSTM预测不同类型洪水时,其神经元在“更新”和“遗忘”信息方面的行为差异。此外,研究结果还表明,由于LSTM能很好地捕捉变量之间的非线性和时间依赖性,因此对于涉及复杂模式的系统,反向解译LSTM模型与线性的统计模型相比,可以更好地帮助挖掘底层的物理机制。

本研究为水文过程和极端事件的理解提供了一个崭新的视角,对于未来大数据背景下洪水预警和防范具有重要意义,展示了人工智能应用于科学知识发现的广阔前景。


相关推荐|RECOMMENDATIONS


[1] Toms, B. A., Barnes, E. A., & Ebert-Uphoff, I. (2020). Physically interpretable neural networks for the geosciences: Applications to Earth system variability. Journal of Advances in Modeling Earth Systems, 12, e2019MS002002. 

DOI: 10.1029/2019MS002002

[2] Kratzert, F., Herrnegger, M., Klotz, D., Hochreiter, S., & Klambauer, G. (2019). NeuralHydrology – Interpreting LSTMs in hydrology. In Explainable AI: Interpreting, explaining and visualizing deep learning (pp. 347–362). Springer International Publishing. 

DOI: 10.1007/978-3-030-28954-6_19

[3] Berghuijs, W. R., Woods, R. A., Hutton, C. J., and Sivapalan, M. (2016), Dominant flood generating mechanisms across the United States, Geophysical Research Letter, 43, 4382– 4390, 

DOI:10.1002/2016GL068070

撰稿: 蒋世杰 | 编辑: 王子君、周旭东 | 校稿:万露文 

【下一篇:全球河流人造屏障数据库】


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/127333
 
832 次点击