Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics

기술 요약: CONUS 전역의 ML 증강 개념적 해석 가능 모델링을 통한 유역 규모 강수-저장-유출 역학 연구

문제 제기
최근의 대규모 샘플 수문학(LSH) 연구들은 딥러닝(DL), 특히 장단기 메모리(LSTM) 네트워크를 적용하여 다양한 유역에서 최첨단 예측 정확도를 달상하는 데 성공했으나, 이러한 "보편적" 모델들은 흔나 '블랙박스'로 기능한다. 이들은 물리적 해석력이 제한적이며, 지리적 위치에 따라 수문 과정의 지배력이 어떻게 변화하는지를 명시적으로 인코딩하지 못한다. 반대로, 전통적인 개념적 강우-유출(CRR) 모델은 물리적으로 해석 가능하지만, 단일한 고정 구조를 다양한 지역에 적용할 경우 데이터 기반 접근 방식의 예측 기술을 따라잡는 데 어려움을 겪는 경우가 많다. 본 연구가 다루는 핵심 과제는 데이터 기반이면서도 개념적으로 해석 가능한 모델을 개발함으로써 예측 성능과 물리적 이해 사이의 간극을 어떻게 메울 것인가이며, 이때 최적의 모델 구조는 보편적인 것이 아니라 국지적인 과정 지배력에 따라 달라진다는 점을 인정하는 것이다.

방법론
본 연구는 CAMELS 데이터셋을 사용하여 미국 본토(CONUS) 내 513개의 최소 교란 유역에 대해 대규모 샘플 분석을 수행한다. 핵심 방법론은 노드 수준에서 질량 보존을 강제하면서 데이터로부터 게이팅 함수를 학습하는 머신러러닝 유닛인 **질량 보존 퍼셉트론(Mass-Conserving Perceptron, MCP)**에 기반한다.

1. 모델 아키텍처: 저자들은 다양한 복잡성을 가진 MCP 기반 모델의 계층 구조를 구축하였다:
   • 단일 상태 모델:
     • HMCP: 눈(snow)을 구분하지 않고 총 수분 저장량(토양 수분)을 나타내는 일반적인 단일 상태 모델. 변형 모델로는 질량 완화($HMCP(1, MR)$) 및 증강 손실($HMCP(1, AL)$)이 포함된다.
     • SNOWMCP: 적설량(SWE)을 상태 변수로 나타내는 단일 상태 모델로, 초기에는 관측된 SWE 데이터를 대상으로 학습되었다. 기압 편차, 태양 복사, 온도 극값 등을 포함하는 증강 버전들이 포함되었다.
   • 이중 상태 결합 모델 (HYDROMCP): SNOWMCP 모듈과 SOILMCP 모듈을 명시적으로 결합한다. 두 가지 결합 구성이 테스트되었다:
     • 직렬(Series): 눈 녹은 물이 유출을 생성하기 전에 토양 저장층으로 유입됨.
     • 병렬(Parallel): 눈 녹은 물이 토양 모듈을 우회하여 유출구로 직접 경로를 형성함.
2. 학습 전략: 모델은 모든 데이터를 동시에 학습하는 단일 보편적 아키텍처를 사용하는 대신, 각 유역별로 개별적으로 학습되었다(catchment-by-catchment). 이를 통해 최적의 모델 구조가 기후, 지형, 식생에 따라 어떻게 변화하는지를 체계적으로 탐색할 수 있었다.
3. 평가 및 선택: 성능은 Kling-Gupta 효율성(KGE) 지표인 $KGE_{ss}$를 사용하여 평가되었다. 모델 선택은 예측 적합도와 구조적 간결함 사이의 균형을 맞추기 위해 아카이케 정보 기준(AIC)에 의해 유도되었다.
4. 벤치마크: MCP 기반 모델들은 다음 모델들과 비교되었다:
   • 질량 보존을 따르는 분산 상태 MCP 네트워크 ($NMCP^{DS}(5)$, 5개의 셀 상태 보유).
   • 표준 5-상태 LSTM 네트워크 ($LSTM(5)$).

주요 결과

• 과정 지배력 및 복잡성: 모든 유역에 최적의 성능을 보이는 단일 아키텍처는 존재하지 않았다. 연구 결과, 모델 복잡도 요구 사항은 수문 기후 체계와 밀접하게 연관되어 있음이 밝혀졌다.
  • 설(snow) 지배 지역에서는 눈의 역학을 명시적으로 표현하는 것(SNOWMCP 또는 HYDROMCP)이 결정적이었다. 단순한 온도 기반의 눈 공식이 이 지역들에서 매우 우수한 성능을 보였다.
  • 비설(non-snowy) 또는 저고도 지역에서는 가장 단순한 단일 상태 HMCP 모델이 종종 충분했으며, AIC 기준에 의해 선호되었다.
  • 이중 상태 모델(HYDROMCP)은 상대적으로 적게(22%의 유역) 선택되었으며, 주로 복잡한 산악 지대나 전이 지대와 같이 토양 수분과 눈의 역학이 모두 중요한 곳에서 선택되었다.
• 예측 성능:
  • 가장 간결한 최적의 MCP 프레임워크(OPTMCP, 유역별 최적 아키텍처를 선택함, 통상 1~2개의 셀 상태)는 CONUS 전역에서 중앙값 $KGE_{ss}$ 0.85를 달성했다.
  • 이 성능은 더 복잡한 5-상태 질량 보존 NMCP 벤치마크(중앙값 $KGE_{ss} \approx 0.85$)와 대등하며, 질량 보존을 따르지 않는 5-상태 LSTM 벤치마크(중앙값 $KGE_{ss} = 0.89$)보다는 약간 낮았다.
  • 결정적으로, OPTMCP 프레임워크는 거의 절반에 가까운 유역(513개 중 240개)에서 질량 보존 벤치마크보다 높은 성능을 보였다.
• 해석 가능성: 연구는 물리적으로 해석 가능하고 질량을 보존하는 아키텍처가 일반적인 DL 접근 방식(종종 64256개의 상태 보유)에 비해 훨씬 적은 매개변수(827개)만으로도 최적에 가까운 예측 능력을 달성할 수 있음을 입증했다.
• 지리적 패턴: 모델 아키텍처의 선택은 뚜렷한 공간적 패턴을 드러냈다. SNOWMCP 모델은 눈의 영향을 받는 지역에서 선택된 반면, HYDROMCP 모델은 특정 서부 산악 지대 및 동남부 비설 지역에서 나타났는데, 이는 단순화된 모델들이 해당 맥락에서 누락된 과정 표현을 가지고 있음을 시사한다.

의의 및 주장
본 논문은 단일 보편적 아키텍처에 의존하는 것이 아니라, 과정 지배력의 공간적 및 시간적 가변성을 인정하는 "모든 곳을 위한 모델(models of everywhere)"을 향한 필수적인 단계라고 규정한다.

• 이론 기반 ML: 본 연구는 수문학의 미래가 이론 중심의 가설 기반 모델링과 데이터 기반 ML의 합성 속에 있다고 주장한다. 저자들은 MCP 유닛을 사용함으로써, 모델이 데이터로부터 과정 역학을 직접 학습하면서도 전통적인 CRR 모델의 구조적 해석 가능성을 유지할 수 있음을 보여준다.
• 보편성보다 간결성: 단일 보편적 모델을 추구하는 것이 오히려 지역적 과정 차이를 은폐할 수 있다고 주장한다. 대신, 특정 과정 지배력(예: 눈 vs 토양 수분)에 맞춘 모델 군(family of models)을 개발하는 것이 더 나은 메커니즘적 이해와 견고한 예측 기술을 가능하게 한다.
• 향후 연구의 토대: 본 연구는 현재의 MCP 기반 모델이 완전히 과정 해상형(process-resolving) 물리 모델은 아니지만(예: 훈련 시 유출량만을 사용할 경우 내부 상태가 '정보적' 상태로 작용할 수 있음), 강력한 토대를 제공한다고 결론짓는다. 저자들은 향후 연구가 이러한 간결하고 해석 가능한 아키텍처를 더 넓은 ML 프레임워크에 통합하여, 지리-수문 기후적 가변성을 명시적으로 고려하는 차세대 모델을 만드는 데 집중해야 한다고 제안하며, 이를 통해 예측력을 개선된 이론적 이해에 근거하도록 해야 한다고 강조한다.

저자들은 겸허한 어조를 유지하며, 자신들의 접근 방식이 해석력과 성능을 개선하기는 하지만, 복잡한 전이 체계에서 질량-에너지 결합 및 식생 상호작용을 표현하는 데 있어 정확도와 물리적 실재성 사이의 트레이드오프를 완전히 해결하지는 못했음을 인정한다.