Toward AI-Driven Digital Twins for Metropolitan Floods: A Conditional Latent Dynamics Network Surrogate of the Shallow Water Equations

Resumen Técnico: Hacia Gemelos Digitales de Inundaciones Metropolitanas Impulsados por IA

1. Enunciado del Problema

Las inundaciones urbanas y regionales son un peligro que se intensifica rápidamente, no obstante, la predicción hidrodinámica de alta fidelidad a escala metropolitana sigue siendo computacionalmente prohibitiva para flujos de trabajo operativos que requieren pronósticos de conjunto, cribado de escenarios o asimilación de datos. Aunque los solucionadores acelerados por GPU para las Ecuaciones de Agua Somera bidimensionales (SWE), como SynxFlow, pueden generar pronósticos deterministas, requieren aproximadamente 55 minutos para simular un evento de 96 horas en una cuenca metropolitana de 4,2 millones de celdas activas (la cuenca del río Des Plaines a una resolución de 30 m). Esta latencia escala linealmente con el número de ejecuciones, lo que hace inviables flujos de trabajo como conjuntos de pronósticos de lluvia o la reducción de escala de proyecciones climáticas a resolución nativa.

Los sustitutos de inundaciones basados en datos existentes enfrentan tres brechas críticas al aplicarse a gemelos digitales metropolitanos operativos:

1. Escalabilidad: La mayoría de las arquitecturas (GNN, CNN, VAE, FNO) tienen costos de memoria que escalan con el tamaño completo de la cuadrícula, forzando el ensanchamiento o recorte de dominios. Tienen dificultades con dominios que superan ~1 millón de celdas.
2. Dinámicas Conscientes del Terreno: Muchos modelos predicen máximos de inundación estáticos o manejan el terreno solo implícitamente mediante sesgos convolucionales, fallando en capturar explícitamente el gobierno conjunto de la lluvia variable en el tiempo y el terreno estático espacialmente heterogéneo (elevación, pendiente, rugosidad).
3. Compatibilidad con Observaciones: Los sustitutos basados en cuadrículas suelen generar datos de mapa de bits vinculados a la malla de simulación, requiriendo interpolación para consultas de sensores. Carecen de un estado latente compacto y sin malla adecuado para la integración directa con observaciones de medidores dispersos para la asimilación de datos.

2. Metodología: Red de Dinámicas Latentes Condicionales (CLDNet)

Los autores proponen CLDNet, un sustituto neuronal sin malla que factoriza la solución espacio-temporal de las SWE en un sistema dinámico latente de baja dimensión y un decodificador basado en coordenadas.

• Dinámicas Latentes (EDO Neuronal): El modelo avanza un estado latente de baja dimensión $s_t \in \mathbb{R}^{d_s}$ utilizando una ecuación diferencial ordinaria neuronal impulsada por forzamiento de lluvia. La evolución del estado se define por:
  $$s_{t_k} = s_{t_{k-1}} + \Delta t \cdot \mathcal{F}_{\theta_1}(s_{t_{k-1}}, r_{t_k})$$
  donde $r_{t_k}$ es el forzamiento de lluvia y $\mathcal{F}_{\theta_1}$ es una red de dinámicas (MLP).
• Decodificador Condicionado al Terreno: A diferencia de las Redes de Dinámicas Latentes (LDNet) estándar que dependen únicamente de coordenadas y el estado latente, CLDNet introduce un vector de condicionamiento estático del terreno $\phi(\xi)$ concatenado con la coordenada espacial incrustada en Fourier $\gamma(\xi)$ en cada punto de consulta. La red de reconstrucción $\mathcal{R}_{\theta_2}$ decodifica las variables conservadas (profundidad del agua $h$, caudales por unidad de ancho $hu, hv$) como:
  $$\tilde{q}(t_k, \xi) = \mathcal{R}_{\theta_2}(s_{t_k}, [\gamma(\xi), \phi(\xi)])$$
  El vector de condicionamiento $\phi(\xi)$ consiste en elevación estandarizada, magnitud de la pendiente y rugosidad de Manning escalada. Esto permite que el decodificador cuente explícitamente con los controles hidráulicos locales sin memorizar todo el campo del terreno a través del estado latente.
• Entrenamiento e Inferencia sin Malla: Dado que el decodificador opera punto a punto, la memoria de entrenamiento e inferencia escala con el número de puntos de consulta ($M$) en lugar del tamaño completo de la cuadrícula ($|\Omega_h|$). Los autores emplean submuestreo espacial, extrayendo un subconjunto de celdas activas (por ejemplo, $M=70,000$ para Illinois) por paso de entrenamiento. Esto permite el entrenamiento en un solo nodo de doble GPU para dominios con >4 millones de celdas activas.
• Flexibilidad de Consulta: El modelo puede consultarse en coordenadas arbitrarias, incluidas las ubicaciones exactas de los medidores USGS $(lon, lat)$, sin ajuste a cuadrícula ni interpolación.

3. Conjuntos de Datos y Validación

El estudio evalúa CLDNet en dos conjuntos de datos:

1. Referencia de Texas: Un conjunto de datos sintético y controlado con un dominio de 250,000 celdas (resolución de 30 m) y lluvia espacialmente uniforme. Se utilizó para aislar el efecto del condicionamiento del terreno.
2. Caso de Estudio Des Plaines / Illinois: Un conjunto de datos realista a escala metropolitana con 4,188,840 celdas activas (resolución de 30 m) impulsado por 114 forzamientos de tormentas de lluvia real del archivo NCEP Stage IV (2002–2024).
   • Validación del Simulador: El simulador subyacente SynxFlow se validó contra seis medidores de corriente USGS durante la inundación récord de abril de 2013. Tras centrar la media para eliminar desplazamientos de datum, el simulador alcanzó valores de Eficiencia Nash–Sutcliffe (NSE) entre 0.57 y 0.94, estableciéndolo como un objetivo de referencia creíble para el sustituto.

4. Resultados Clave

• Mejoras en Precisión:
  • Referencia de Texas: CLDNet redujo el error cuadrático medio relativo agregado de prueba (rRMSE) del 31.09% (LDNet incondicional) al 14.44%. Superó a las líneas base VAE–ConvLSTM (32.04%) y FNO (18.10%).
  • Caso de Estudio de Illinois: CLDNet redujo aproximadamente a la mitad el error de la LDNet incondicional en trayectorias de prueba retenidas (rRMSE reducido del 35.04% al 17.79%).
  • Extensión de Inundación: En el umbral de inundación de 0.5 m, CLDNet alcanzó un Índice de Éxito Crítico (CSI) del 86.04% en el conjunto de datos de Illinois.
  • Rendimiento en Medidores: En los medidores USGS, CLDNet mejoró el NSE medio de 0.523 a 0.711 y redujo el error relativo de profundidad pico aproximadamente a la mitad (de 15.85% a 9.67%).
• Eficiencia Computacional:
  • CLDNet produce un pronóstico completo de 96 horas y 4.2 millones de celdas en ~29 segundos.
  • Esto representa una aceleración de ~115 veces sobre el simulador SynxFlow (~55 minutos).
  • La aceleración habilita flujos de trabajo previamente inviables, como un conjunto de lluvia de 1,000 miembros (reduciendo el tiempo de ejecución de ~38 días a ~8 horas en una sola GPU).
• Escalabilidad:
  • A diferencia de las líneas base de cuadrícula regular (VAE–ConvLSTM, FNO) que fallaron al entrenar en el conjunto de datos de Illinois debido a restricciones de memoria (requiriendo >1 TB de memoria GPU), CLDNet entrenó con éxito en un nodo de doble GPU al desacoplar la memoria del tamaño de la cuadrícula.
  • El modelo maneja nativamente la geometría irregular y no rectangular de la cuenca del río Des Plaines sin relleno ni enmascaramiento.

5. Significado y Afirmaciones

El artículo posiciona a CLDNet no como un gemelo digital operativo completo, sino como una capa sustituta hidrodinámica rápida esencial para construir gemelos digitales de inundaciones impulsados por IA. Sus contribuciones principales son:

1. Escalabilidad Metropolitana: Demostrar que los sustitutos neuronales pueden escalar a >4 millones de celdas activas en hardware comercial mediante decodificación sin malla y punto a punto.
2. Condicionamiento del Terreno: Probar que el condicionamiento explícito en características estáticas del terreno (elevación, pendiente, rugosidad) es crítico para la precisión a escala regional, superando significativamente a las dinámicas latentes incondicionales.
3. Interfaz Lista para Observaciones: Proporcionar un estado latente compacto y un operador de consulta sin malla que permite la evaluación directa en coordenadas exactas de medidores, habilitando estructuralmente la futura integración con algoritmos de asimilación de datos (por ejemplo, filtros de puntuación de conjunto).
4. Viabilidad Operativa: Establecer que la aceleración de ~115 veces hace viable el pronóstico por conjuntos y el cribado de escenarios a resolución metropolitana nativa, un prerrequisito para la gestión de inundaciones en tiempo real acoplada a observaciones.

Los autores señalan limitaciones, incluida la falta actual de asimilación de observaciones en línea (posicionada como una extensión futura) y el hecho de que las predicciones de caudal ($hu, hv$) permanecen menos precisas que las predicciones de profundidad del agua, particularmente cerca de las interfaces húmedo/seco. Sin embargo, el trabajo establece una arquitectura fundamental para la próxima generación de sistemas operativos de pronóstico de inundaciones.