earticle

영어

Data assimilation can be used to update the state variables of a model, thereby representing the initial state of a watershed more accurately than in open-loop simulations. In hydrology, data assimilation is often a prerequisite for forecasting. Machine learning can learn all nonlinear relationships between inputs and outputs. In this study, we hypothesized that machine learning can learn the relationship between simulated river discharge and corresponding state variables in a hydrological model. Once learning is complete, this relationship can be applied to observed river flows rather than simulated river flows to obtain corrected state variables. Based on this, a machine learning-based data assimilation approach is proposed. The proposed data assimilation method was applied to a long-term continuous rainfall-runoff model with two state variables. Well-known performance metrics such as R2, NSE, KGE, and pBias were used to compare the assimilated river flow time series with open-loop river flow, river flow assimilated using an ensemble Kalman filter, and observed river flow. The results demonstrate that machine learning can be successfully applied to data assimilation, with significantly improved performance metrics compared to open-loop simulations and ensemble Kalman filter.

한국어

자료 동화를 사용하면 모델의 상태 변수를 업데이트하여 유역의 초기 상태를 Open-Loop 시뮬레이션보다 더 정확하게나타낼 수 있다. 수문 분야에서 자료 동화는 종종 예보를 위한 전제 조건이다. 기계학습은 입력과 출력 사이의 모든 비선형관계를 학습할 수 있다. 본 연구에서 기계학습은 수문 모델에서 시뮬레이션된 하천유량과 해당 상태 변수 사이의 관계를학습할 수 있다는 가설을 세웠다. 학습이 완료되면 이 관계를 시뮬레이션된 하천유량이 아닌 관측된 하천유량에 적용하여갱신된 상태 변수를 얻는 것에 사용할 수 있다. 이를 바탕으로 기계학습 기반의 자료 동화 접근 방식이 제안된다. 제안된자료 동화 방법을 두 가지 상태 변수가 있는 장기 유출 모델에 적용하였다. R2, NSE, KGE, pBias와 같은 잘 알려진 성능지표를사용하여 자료 동화된 하천유량 시계열을 Open Loop 하천유량, 앙상블 칼만 필터를 이용하여 자료 동화된 하천유량 및관측된 하천유량과 비교했다. 기계학습은 자료 동화에 성공적으로 사용될 수 있으며, Open Loop 시뮬레이션 및 앙상블칼만 필터에 비해 눈에 띄게 성능지표가 개선되었음을 보여주었다.