눈이 지배하는 산악 카르스트 유역의 하이브리드 물리 기반 및 심층 학습 모델링

초록 눈이 지배하는 산악 카르스트 유역은 미국 서부 및 전 세계 여러 지역에서 주요한 수자원 공급원입니다. 이러한 유역은 복잡한 지형, 시공간적으로 변동하는 눈 적재 및 융해 과정, 그리고 매트릭스(미세공과 작은 균열)와 카르스트 관의 병렬적 존재로 인해 흐름 및 저장 역학의 이중성을 특징으로 합니다. 따라서 기상 입력으로부터 하천 유량을 예측하는 것은 이러한 독특한 특성을 표현할 수 있는 물리 기반 또는 개념적 수문 모델의 한계로 인해 도전적이었습니다. 우리는 물리 기반의 공간적으로 분산된 눈 모델과 심층 학습 카르스트 모델을 통합한 하이브리드 모델링 접근 방식을 제시합니다. 보다 구체적으로, 고해상도 눈 모델은 눈 융해에서의 시공간 변동성을 포착하고, 심층 학습 모델은 복잡한 표면 및 지하 특성에 의해 영향을 받는 하천 유량의 상응하는 반응을 시뮬레이션합니다. 심층 학습 모델은 시공간 재충전 패턴 및 유역 저장 역학을 처리할 수 있는 합성곱 장기 단기 기억(ConvLSTM) 아키텍처에 기반합니다. 하이브리드 모델링 접근 방식은 계절적으로 눈이 덮인 북부 유타의 유역에서 테스트되었습니다. 하이브리드 모델들은 유역 출구에서 하천 유량을 높은 정확도로 시뮬레이션할 수 있었습니다. ConvLSTM 모델이 학습한 공간적 및 시간적 재충전 및 방출 패턴은 이후 알려진 수문지질학적 정보와 비교 및 검토되었습니다. 결과는 ConvLSTM이 연구 지역에서 참조 모델보다 하천 유량을 더 높은 정확도로 시뮬레이션하고, 집합 모델링 접근 방식에서는 알 수 없는 공간적으로 영향을 받은 수문 반응에 대한 통찰력을 제공한다고 제시합니다.