Performance comparison of physical process-based and data-driven models: a case study on the Edwards Aquifer, USA

Abstract

Physical process-based groundwater flow models are the major tools for studying fluid-flow behavior and for simulating the hydrological responses of water levels and spring discharge to human- and/or nature-induced triggers such as pumping and recharge. Such models are built with deep understanding of the physical processes and are based on geological models, developed by integrating data from geology, geophysics, and geochemistry. However, data-driven models can be built with limited data, eliminating the need for a detailed understanding of the physics. In this research, a data-driven model is built for simulating hydraulic responses (both groundwater levels and spring discharges) in a complex groundwater flow system of the Edwards Aquifer in Central Texas, USA, with the recurrent neural network (RNN) technique. The model is first trained and validated with the observation data of four targets—water levels from two index wells, and spring flow rates from San Marcos and Comal springs—from 2001 through 2015. The model is then used to predict the hydrological responses for the drought of record (1947–1958). The performance of the RNN model for the training, validation and prediction period is then quantitatively compared to that of the physical process-based MODFLOW model in terms of four statistical measures. The statistical measures suggest that the RNN model performs almost as well as the MODFLOW model. With further improvements, a data-driven model may be a surrogate to (or integrate with) a physical process-based model for simulating hydrological responses in the Edwards Aquifer.

Résumé

Les modèles d’écoulement des eaux souterraines basés sur les processus physiques sont les principaux outils permettant d’étudier le comportement de l’écoulement des fluides et de simuler les réponses hydrologiques des niveaux d’eau et du débit des sources à des éléments déclencheurs induits par l’homme et/ou la nature, tels que le pompage et la recharge. Ces modèles sont construits grâce à une compréhension profonde des processus physiques et sont basés sur des modèles géologiques, développés en intégrant des données de géologie, de géophysique et de géochimie. Cependant, les modèles basés sur des données peuvent être construits avec des données limitées, ce qui élimine la nécessité d’une compréhension détaillée de la physique. Dans cette recherche, un modèle basé sur les données est construit pour simuler les réponses hydrauliques (à la fois les niveaux des eaux souterraines et les débits de sources) dans un système complexe d’écoulement des eaux souterraines de l’aquifère Edwards dans le centre du Texas, aux États-Unis d’Amérique, avec la technique du réseau neuronal récurrent (RNR). Le modèle est d’abord entrainé et validé avec les données d’observation de quatre cibles (niveaux d’eau de deux puits, et débits des sources de San Marcos et Comal) de 2001 à 2015. Le modèle est ensuite utilisé pour prédire les réponses hydrologiques pour la sécheresse enregistrée (1947–1958). La performance du modèle RNR pour la période d’entrainement, de validation et de prévision est ensuite comparée quantitativement à celle du modèle MODFLOW basé sur les processus physiques en termes de quatre mesures statistiques. Les mesures statistiques suggèrent que le modèle RNR fonctionne presque aussi bien que le modèle MODFLOW. Avec de nouvelles améliorations, un modèle basé sur les données peut être un substitut (ou s’intégrer) à un modèle basé sur les processus physiques pour simuler les réponses hydrologiques dans l’aquifère d’Edwards.

Resumen

Los modelos de flujo de aguas subterráneas basados en procesos físicos son las principales herramientas para estudiar el comportamiento del flujo de los fluidos y para simular las respuestas hidrológicas de los niveles de agua y la descarga de los manantiales a los activadores inducidos por el hombre y/o la naturaleza, como el bombeo y la recarga. Esos modelos se construyen con un profundo conocimiento de los procesos físicos y se basan en modelos geológicos, desarrollados mediante la integración de datos de geología, geofísica y geoquímica. Sin embargo, los modelos basados en datos pueden construirse con datos limitados, eliminando la necesidad de una comprensión detallada de la física. En esta investigación se construye un modelo basado en datos para simular las respuestas hidráulicas (tanto los niveles de las aguas subterráneas como las descargas de los manantiales) en un complejo sistema de flujo de aguas subterráneas del Acuífero Edwards en el centro de Texas (EEUU), con la técnica de la red neural recurrente (RNN). El modelo se entrena y valida primero con los datos de observación de cuatro objetivos (niveles de agua de dos pozos de índice, y caudales de manantial de los manantiales de San Marcos y Comal) desde 2001 hasta 2015. El modelo se utiliza luego para predecir las respuestas hidrológicas a la sequía registrada (1947–1958). El rendimiento del modelo RNN para el período de entrenamiento, validación y predicción se compara entonces cuantitativamente con el del modelo MODFLOW basado en el proceso físico en términos de cuatro medidas estadísticas. Las medidas estadísticas sugieren que el modelo RNN funciona casi tan bien como el modelo MODFLOW. Con otras mejoras, un modelo basado en datos puede ser un sustituto de un modelo basado en procesos físicos (o integrarse en él) para simular las respuestas hidrológicas en el acuífero Edwards.

摘要

基于物理过程的地下水流模型是研究地下水流以及模拟受人为或自然因素影响(例如开采和补给)对地下水位及泉流量响应的主要工具。这类地下水流模型是建立于地质模型的基础上,需要对地下水流物理过程的深入理解,通过对地质、地球物理以及地球化学的数据集成开发而成的。但是,数据驱动模型可以建立在有限的数据基础上,而不需要详细理解物理过程。本次研究利用循环神经网络技术 (RNN)建立了一个数据驱动模型用于模拟美国Edwards含水层复杂地下水系统的水利响应 (包括地下水位及泉流量)。首先,利用2001年至2015年的四个目标数据(两个地下水位观测井的地下水数据及San Marcos泉和Comal泉的流量观测数据)来训练和验证RNN模型。然后,这个RNN模型用于预测干旱期(1947–1958)的地下水响应。四个统计参数指标用于对比RNN模型和物理过程的MODFLOW模型的训练、验证和预测。统计参数指标表明RNN模型可以获得和MODFLOW模型一样的结果。通过进一步改进,数据驱动模型可以作为替代(或集成于)物理过程的模型用于模拟Edwards含水层的水力响应。

Resumo

Os modelos físicos de fluxo de água subterrânea baseados no processo são as principais ferramentas para estudar o comportamento do fluxo de fluido e para simular as respostas hidrológicas dos níveis de água e descarga de nascentes a gatilhos induzidos pela natureza e/ou pela natureza, como bombeamento e recarga. Tais modelos são construídos com profundo conhecimento dos processos físicos e são baseados em modelos geológicos, desenvolvidos pela integração de dados de geologia, geofísica e geoquímica. No entanto, modelos orientados a dados podem ser construídos com dados limitados, eliminando a necessidade de um entendimento detalhado da física. Nesta pesquisa, um modelo orientado a dados é construído para simular respostas hidráulicas (níveis de águas subterrâneas e descargas de nascentes) em um complexo sistema de fluxo de águas subterrâneas do Aquífero Edwards no Texas Central, EUA, com a técnica de rede neural recorrente (RNR). O modelo é primeiro treinado e validado com os dados de observação de quatro alvos (níveis de água de dois poços índices e vazões de nascentes das nascentes San Marcos e Comal) de 2001 a 2015. O modelo é então usado para prever as respostas hidrológicas para a seca recorde (1947–1958). O desempenho do modelo de RNR para o período de treinamento, validação e previsão é então comparado quantitativamente ao desempenho do modelo MODFLOW baseado em processos físicos em termos de quatro medidas estatísticas. As medidas estatísticas sugerem que o modelo de RNR funciona quase tão bem quanto o modelo MODFLOW. Com outras melhorias, um modelo orientado a dados pode ser um substituto para (ou integrar-se a) um modelo físico baseado em processo para simular respostas hidrológicas no aquífero Edwards.