Abteilung Systemanalyse, Integrated Assessment und Modellierung

Die Vorhersage der Reaktion eines hydrologischen Systems auf veränderte Antriebskräfte, die über ihr typisches Muster bei der Modellkalibrierung hinausgehen, ist von großer Bedeutung, z. B. für die Vorhersage der Auswirkungen des Klimawandels. Metamorphose-Tests sind eine Methode um Eingangsänderungen zu definieren für die zumindest qualitativ die erwartete Reaktion beschrieben werden kann auch wenn keine genauen Kenntnisse vorliegen und um Modelle auf "konsistentes" Verhalten mit diesen Reaktionen zu testen. Wir untersuchen eine Reihe von Modellen für maschinelles Lernen und konzeptionelle hydrologische Modelle in diesem Rahmen. Da wir uns über die tatsächliche Reaktion nicht sicher sind, nennen wir unseren Ansatz ``metamorphe Analyse'' und nicht metamorphe Prüfung. Das Ziel ist zu untersuchen, ob wir aus den Unterschieden zwischen den Vorhersagen der verschiedenen Modelle lernen können. Konkret untersuchen wir die Unterschiede in den Vorhersagen für eine einheitliche Zunahme des Niederschlags um 10 % und für eine einheitliche Zunahme der Temperatur um 1 Grad Celsius. Wir erwarten, dass dieser Ansatz nicht nur Aufschluss über das Ausmaß der Vorhersageunsicherheit gibt, sondern auch Situationen aufdeckt, in denen die Modelle des maschinellen Lernens möglicherweise falsch aus anderen Einzugsgebieten extrapolieren, sowie Situationen, in denen sie in der Lage sind, falsche oder unvollständige Prozessbeschreibungen in konzeptionellen hydrologischen Modellen zu identifizieren. Dies könnte zur Verbesserung der maschinellen Lernmodelle führen, z. B. durch Anpassung der berücksichtigten Einzugsgebietsattribute, aber auch zur Verbesserung der konzeptionellen Modelle durch Anpassung der Prozessformulierungen oder Hinzufügen von Prozessen, die nicht berücksichtigt wurden. Dieser Ansatz und einige Lernerfahrungen werden durch die Analyse ausgewählter Merkmale der Simulationen und Vorhersagen für ausgewählte Einzugsgebiete des US CAMELS Datensatzes demonstriert.

Referenzen

Metamorphic Analysis of Machine Learning and Conceptual Hydrological Models by Comparing Out-of-domain Predictions, in preparation 2022.

Kai Kai Ma, Dapeng Feng, Chaopeng Shen, Penn State University, Pennsylvania