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

Resumen Técnico: Hacia un Modelado de la Dinámica de Precipitación-Almacenamiento-Escorrentía a Escala de Cuenca, Aumentado por ML y Conceptualmente Interpretable en todo el CONUS

Planteamiento del Problema
Si bien los estudios recientes de muestras grandes (LSH) han aplicado con éxito el aprendizaje profundo (DL), particularmente redes de Memoria de Corto Plcreto de Largo Plazo (LSTM), para lograr una precisión predictiva de vanguardia en diversas cuencas, estos modelos "universales" suelen funcionar como cajas negras. Ofrecen una interpretabilidad física limitada y no codifican explícitamente cómo la dominancia de los procesos hidrológicos varía geográficamente. Por el contrario, los modelos conceptuales de lluvia-escorrentía (CRR) tradicionales son físicamente interpretables, pero a menudo tienen dificultades para igualar la capacidad predictiva de los enfoques basados en datos, particularmente cuando se aplica una única estructura fija a regiones con regímenes hidroclimáticos muy distintos. El desafío central abordado es cómo cerrar la brección entre el rendimiento predictivo y la comprensión física mediante el desarrollo de modelos que sean tanto impulsados por datos como conceptualmente interpretables, reconociendo al mismo tiempo que la estructura óptima del modelo no es universal, sino que depende de la dominancia de los procesos locales.

Metodología
El estudio emplea un análisis de muestras grandes a través de 513 cuencas mínimamente perturbadas en los Estados Unidos Continentales (CONUS) utilizando el conjunto de datos CAMELS. La metodología central se basa en el Perceptrón de Conservación de Masa (MCP), una unidad de aprendizaje automático que impone la conservación de la masa a nivel de nodo mientras aprende funciones de compuerta a partir de los datos.

1. Arquitectura del Modelo: Los autores construyeron una jerarquía de modelos basados en MCP de varying complejidad:
   • Modelos de Estado Único:
     • HMCP: Un modelo genérico de estado único que representa el almacenamiento total de agua (humedad del suelo) sin distinguir la nieve. Las variantes incluyeron relajación de masa ($HMCP(1, MR)$) y pérdida aumentada ($HMCP(1, AL)$).
     • SNOWMCP: Un modelo de estado único donde la variable de estado representa el Equivalente de Agua de Nieve (SWE), entrenado inicialmente contra datos observados de SWE. Las versiones aumentadas incorporaron el déficit de presión de vapor, la radiación solar y temperaturas extremas.
   • Modelos Acoplados de Dos Estados (HYDROMMCP): Estos acoplan explícitamente un módulo SNOWMCP y un módulo SOILMCP. Se probaron dos configuraciones de acoplamiento:
     • Serie: El deshielo entra en el almacenamiento del suelo antes de generar escorrentía.
     • Paralelo: El deshielo evita el módulo del suelo y se dirige directamente al punto de salida.
2. Estrategia de Entrenamiento: Los modelos fueron entrenados individualmente para cada cuenca (cuenca por cuenca) en lugar de utilizar una única arquitectura universal entrenada en todos los datos simultáneamente. Esto permitió la exploración sistemática de cómo la estructura óptima del modelo varía con el clima, la topografía y la vegetación.
3. Evaluación y Selección: El rendimiento se evaluó utilizando la eficiencia de Kling-Gupta ($KGE_{ss}$). La selección del modelo fue guiada por el Criterio de Información de Akaike (AIC) para equilibrar el ajuste predictivo con la parsimonia estructural.
4. Benchmarks (Puntos de Referencia): Los modelos basados en MCP se compararon contra:
   • Un modelo $NMCP^{DS}(5)$ de estados distribuidos y de conservación de masa con 5 celdas de estado.
   • Una red LSTM estándar de 5 estados ($LSTM(5)$).

Resultados Clave

• Dominancia de Procesos y Complejidad: Ninguna arquitectura única funcionó de manera óptima en todas las cuencas. El estudio encontró que los requisitos de complejidad del modelo están fuertemente ligados a los regímenes hidroclimáticos.
  • En regiones dominadas por la nieve, la representación explícita de la dinámica de la nieve (vía SNOWMCP o HYDROMCP) fue crítica. Las formulaciones simples de nieve basadas en la temperatura funcionaron notablemente bien en estas áreas.
  • En regiones no nevadas o de baja elevación, los modelos HMCP de estado único más simples fueron a menudo suficientes y preferidos por el criterio AIC.
  • Los modelos de dos estados (HYDROMCP) fueron seleccionados con menor frecuencia (22% de las cuencas) y principalmente en zonas montañosas complejas o de transición donde tanto la humedad del suelo como la dinámica de la nieve eran significativas.
• Rendimiento Predictivo:
  • El marco MCP parsimonioso "óptimo" (OPTMCP), que selecciona la mejor arquitectura por cuenca (típicamente 1–2 estados de celda), alcanzó un $KGE_{ss}$ mediano de 0.85 en todo el CONUS.
  • Este rendimiento fue comparable al benchmark NMCP de 5 estados de conservación de masa (mediana $KGE_{ss} \approx 0.85$) y ligeramente inferior al benchmark LSTM de 5 estados que no conserva la masa (mediana $KGE_{ss} = 0.89$).
  • Crucialmente, el marco OPTMCP superó al benchmark de conservación de masa en casi la mitad de las cuencas (240 de 513).
• Interpretabilidad: El estudio demostró que las arquitecturas de conservación de masa e interpretables físicamente pueden alcanzar una capacidad predictiva casi óptima con sustancialmente menos parámetros (8–27 parámetros) en comparación con los enfoques de DL genéricos (que a menudo tienen 64–256 estados).
• Patrones Geográficos: La selección de la arquitectura del modelo reveló distintos patrones espaciales. Los modelos SNOWMCP fueron seleccionados en regiones influenciadas por la nieve, mientras que los modelos HYDROMCP aparecieron en zonas montañosas específicas del oeste y en regiones no nevadas del sureste, lo que sugiere la falta de representaciones de procesos en modelos simplificados para esos contextos específicos.

Significado y Reivindicaciones
El artículo se posiciona como un paso necesario hacia "modelos de todas partes" que no dependen de una única arquitectura universal, sino que reconocen la variabilidad espacial y temporal de la dominancia de los procesos.

• ML Informado por la Teoría: El estudio argumenta que el futuro de la ciencia hidrológica reside en la síntesis de la modelación basada en la teoría y la hipótesis con el aprendizaje automático basado en datos. Al utilizar unidades MCP, los autores muestran que los modelos pueden ser "aumentados por ML" para aprender la dinámica de los procesos directamente de los datos, manteniendo la interpretabilidad estructural de los modelos CRR tradicionales.
• Parsimonia sobre Universalidad: Los autores sostienen que esforzarse por un único modelo universal puede oscurecer las diferencias de procesos regionales. En su lugar, desarrollar familias de modelos adaptadas a la dominancia de procesos específicos (por ejemplo, nieve frente a humedad del suelo) permite un mejor entendimiento mecánico y un rendimiento predictivo robusto.
• Fundamento para Trabajos Futuros: El estudio concluye que, si bien los modelos actuales basados en MCP no son modelos físicos de resolución de procesos completa (por ejemplo, los estados internos pueden actuar como estados "informacionales" cuando se entrenan solo con caudal), proporcionan una base sólida. Los autores sugieren que el trabajo futuro debería centrarse en integrar estas arquitecturas parsimoniosas e interpretables en marcos de ML más amplios para crear modelos de próxima generación que explícitamente den cuenta de la variabilidad geo-hidroclimática, vinculando así el poder predictivo con una mejor comprensión teórica.

Los autores mantienen un tono modesto, reconociendo que, si bien su enfoque mejora la interpretabilidad y el rendimiento, aún no resuelve totalmente el compromiso entre la precisión y el realismo físico, particularmente en regímenes de transición complejos donde el acoplamiento masa-energía y las interacciones de la vegetación siguen siendo desafíos de representación.