Multi-Model Ensemble and Reservoir Computing for River Discharge Prediction in Ungauged Basins

기술 요약: HYPER – 하천 유출량 예측을 위한 다중 모델 앙상블 및 레저버 컴퓨팅

문제 정의
일일 하천 유출량을 정확하게 예측하는 것은 홍수 관리와 수자원 계획에 매우 중요하지만, 전 세계적으로 광범위한 지역이 관측 데이터가 부족한 상황(미계측 유역)에 처해 있다. 기존의 접근 방식들은 다음과 같은 삼중 난제(trilemma)에 직면해 있다:

1. 개념적 수문 모델 (Conceptual Hydrological Models): 물리적 해석이 가능하지만, 일반적으로 특정 지점에 대한 광범위한 매개변수 보정(calibration)이 필요하며, 이는 미계측 유역에서는 불가능하다.
2. 머신러닝 (딥러닝): LSTM(Long Short-Term Memory) 네트워크와 같은 모델은 복잡한 시간적 역학을 학습하여 높은 정확도를 달al하지만, 종종 해석이 제한적인 "블랙박스"로 기능한다. 또한 대규모 데이터셋과 학습 및 재학습을 위한 상당한 계산 자원을 요구한다.
3. 하이브리드 접근 방식: 유망한 방향이지만, 반복적인 보정 없이 데이터 부족 문제를 해결하기 위해 수문 앙상블의 물리적 일관성과 머신러닝의 효율성을 성공적으로 통합한 프레임워크는 거의 없다.

방법론: HYPER 프레임워크
저자들은 개별 수문 모델을 보정하지 않고도 미계측 유역의 유출량을 예측하기 위해 설계된 HYPER(HYdrological Prediction with multi-model Ensemble and Reservoir computing) 프레임워크를 제안한다. 이 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 베이지안 모델 평균화(BMA)를 이용한 다중 모델 앙상블:

   • 시스템은 MARRMoT 툴박스에서 가져온 47개의 서로 다른 미보정(uncalibrated) 뭉치 개념 수문 모델(단순 버킷 모델부터 복잡한 구조까지 다양함)을 활용한다.
   • 특정 유역을 위해 매개변수를 보정하는 대신, 모델들은 문헌에서 유도된 기본 매개변수 범위를 사용한다.
   • BMA는 이 47개 모델의 출력을 합성하는 데 적용된다. 가우시안 오차를 가정하여 관측된 데이터에 따른 각 모델의 우도(likelihood)를 기반으로 가중치가 할당되며, 이를 통해 다양한 수문학적 거동을 포괄하는 넓은 사전 분포를 생성한다.

2. 편향 보정을 위한 레저버 컴퓨팅 (HYPER-BC):

   • 고정되고 무작위로 생성된 내부 상태를 가진 순환 신경망(RNN)의 일종인 레저버 컴퓨팅 모델이 BMA 앙상블의 체계적 오차(편향)를 보정하도록 학습된다.
   • 학습 메커니즘: RC는 관측된 유출량과 BMA 앙상블 예측값 사이의 잔차 오차(residual error)를 예측하기 위해 선형 회귀(Tikhonov 정규화 적용)를 통해 학습된다. 이는 비반복적 과정으로, 계산 효율성을 보장한다.
   • 구조: 최종 예측은 BMA 앙상블 출력과 RC가 예측한 편향의 합이다. 저자들은 이 "편향 보정(Bias Correcting)" 방식(HYPER-BC)을 물리 모델이 레저버 역학에 직접 내장된 "하이브리드" 방식(HYPER-RCH)과 비교하였으며, HYPER-BC가 더 우수함을 발견했다.

3. 미계측 유역을 위한 지역화 (Regionalization):

   • 미계측 유역에 모델을 적용하려면 학습된 BMA 및 RC 가중치를 유역 속성으로부터 추론해야 한다.
   • 공간적 근접성 (Spatial Proximity): 가장 가까운 계측 유역으로부터 가중치를 할당한다.
   • 회귀 기반 추론 (HYPER-BcReg): 주성분 분석(PCA)을 사용하여 가중치 벡터의 차원을 축소한 후, Lasso 회귀를 사용하여 이러한 가중치를 정적 유역 속성(지형, 토양, 기후, 토지 이용)에 매핑한다. 이를 통해 모델은 새로운 유역으로 물리적 관계를 일반화할 수 있다.

주요 결과
프레임워크는 일본의 87개 유역을 대상으로 네 가지 실험 시나리오에 걸쳐 평가되었다:

• 계측 유역 (데이터 풍부 시나리오):

  • HYPER-BC는 개별 미보정 모델, 단순 앙상블(산술 평균), 단독 RC보다 우수한 성능을 보였다.
  • LSTM 벤치마크와 비교했을 때, HYPER-BC는 제곱 오차 지표(NSE: 0.62 vs. LSTM 0.77)에서는 약간 낮은 성능을 보였으나, **클링-굽타 효율(KGE)에서는 대등한 성능(둘 다 0.75)**을 달성했다.
  • 계산 효율성: HYPER-BC는 반복적인 보정이 필요하지 않다. 47개 모델의 초기 시뮬레이션에는 약 3분이 소요되지만, 증분 예측 시간은 무시할 수 있는 수준(~5초)이다. 반면, 모든 유역에 적용되는 단일 LSTM 모델의 지역 학습에는 약 95분이 소요되었던 것과 대조적으로, HYPER-BC는 그러한 전역 학습 과정을 필요로 하지 않는다.

• 미계측 유역 (데이터 부족 시나리오):

  • 데이터 가용성: 사용 가능한 "계측" 학습 유역의 수가 감소하더라도 HYPER-BcReg는 견고한 성능을 유지했다. 약 20%의 유역만이 계측된 상황(약 20~30개 유역)에서도 HYPER-BcReg는 0.51의 중앙값 NSE를 달성하여, 데이터 풍부 미계측 시나리오의 성능(0.59)에 근접했다.
  • LSTM 실패: 이와 대조적으로, LSTM 벤치마크 성능은 데이터가 부족해짐에 따라 급격히 저하되어 음수의 NSE 값(-0.61 ~ -1.01)을 기록했으며, 이는 데이터 부족 시 과적합 또는 일반화 실패를 나타낸다.
  • 지역화: 회귀 기반 방법(HYPER-BcReg)은 공간 근접성 방법(HYPER-BcProx)보다 일관되게 우수한 성능을 보였으며, 특히 뚜렷한 기후 특성을 가진 지역(예: 일본 북부의 적설 지역)에서 그러했다. 이는 물리적 속성 매핑이 단순한 지리적 근접성보다 더 견고함을 입증한다.

• 원격 시나리오:

  • 학습 데이터가 단일 지리적 영역에 국한되었을 때, HYPER-BcReg는 견고함을 유지했으나, HYPER-BcProx는 기후적으로 상이한 지역(예: 북부 설빙 유역의 가중치를 비설빙 유역에 적용하는 경우)에서 어려움을 겪었다.

의의 및 주장
본 논문은 HYPER가 데이터가 부족한 지역을 위한 견고하고 효율적이며 해석 가능한 유출량 예측 솔루션을 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 보정의 제거: 충분히 크고 다양한 앙상블을 머신러닝 기반 편향 보정과 결 함께 사용할 경우, 개별 개념 모델을 보정하는 것이 불필요함을 입증했다.
2. 계산 효율성: 반복적인 최적화 대신 비반복적 선형 회귀와 사전 계산된 앙상블을 사용함으로써, HYPER는 계산 자원이 제한된 글로벌 적용에 적합한 확장성을 달성했다.
3. 해석 가능성: 딥러닝 "블랙박스"와 달리, HYPER는 Lasso 회귀를 통해 유역 속성(예: 적설량, 경사도)이 모델 가중치에 어떻게 영향을 미치는지 해석할 수 있게 하여 예측 과정에 대한 물리적 통찰을 제공한다.
4. 데이터 희소성 탄력성: 본 프레임워크는 딥러닝 모델이 데이터 부족으로 인해 실패하는 미계측 유역에서도 예측 정확도를 유지할 수 있다는 점이 특히 강조되었다.