Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America

Resumen Técnico: Reconstrucción del Almacenamiento de Agua Terrestre de GRACE mediante Redes Neuronales de Grafos Espacio-Temporales

Definición del Problema
El Almacenamiento de Agua Terrestre (TWS, por sus siglas en inglés), que integra la nieve, la humedad del suelo, el agua superficial y el agua subterránea, es un indicador crítico de la variabilidad climática y del impacto humano en el ciclo del agua. Si bien el experimento GRACE (Gravity Recovery and Climate Experiment) y su sucesor GRACE-FO proporcionan las únicas observaciones consistentes a nivel global y directas de los cambios en el TWS, su registro es limitado, comenzando únicamente en el periodo de 2002. Esta duración es insuficiente para análisis climáticos multidecadales, tales como la identificación de tendencias, la detección de puntos de inflexión o la atribución de la variabilidad a impulsores como El Niño-Oscilación del Sur (ENSO).

Los métodos de reconstrucción existentes intentan extender el registro de GRACE hacia el pasado utilizando modelos estadísticos, modelos hidrológicos basados en la física o aprendizaje automático (por ejemplo, CNNs, LSTMs). Sin embargo, la mayoría de estos enfoques tratan las celdas de la cuadrícula como espacialmente independientes o dependen de un contexto espacial implícito, fallando al no modelar explícitamente la naturaleza inherentemente interconectada del ciclo del agua, donde la conectividad hidrológica y las teleconexiones atmosféricas acoplan regiones distantes.

Metodología
Este artículo propone una aplicación de aprendizaje profundo utilizando una Red Neuronal de Grafos de Series Temporales Multivariantes (MTGNN) para reconstruir las anomalías del almacenamiento de agua terrestre (TWSA) mensuales de tipo GRACE hasta 1940. El estudio se centra en América del Sur como región de prueba dentro de un flujo de trabajo diseñado globalmente.

• Transferencia de Arquitectura: Los autores adaptan la arquitectura MTGNN, desarrollada originalmente por Wu et al. para la predicción de tráfico urbano, al dominio de la geodesia satelital. Se establece una analogía estructural entre la propagación de la congestión del tráfico en las redes viales y la propagación del agua/humedad atmosférica a lo largo de los sistemas fluviales y los patrones de circulación.
• Entrada y Objetivo: El modelo aprende la relación entre las variables de forzamiento meteorológico diarias de ERA5 (precipitación $P$, evapotranspiración $E$ y escorrentía $R$) y las observaciones mensuales de TWSA de GRACE. La entrada es una ventana de 30 días de datos de flujo diarios, y el objetivo es el valor mensual de TWSA para cada celda de la cuadrícula.
• Construcción del Grafo: Una adaptación metodológica clave es la sustitución de la matriz de adyacencia aprendida de la MTGNN por una matriz de adyacencia híbrida estática e interpretable. Esta matriz codifica las dependencias espaciales a través de dos componentes:
  1. Proximidad Geodésica: Un núcleo gaussiano de decaimiento por distancia basado en la distancia física entre las celdas de la cuadrícula.
  2. Correlaciones Climáticas con Retraso: La correlación de Pearson con el máximo retraso entre las series temporales de variables climáticas en diferentes nodos, capturando las teleconexiones donde la señal de una región precede o sigue a otra.
     Estas se combinan mediante una combinación convexa ($\alpha=0.6$ para la similitud climática) para formar la estructura del grafo.
• Régimen de Entrenamiento: El modelo se entrena en el periodo GRACE/GRACE-FO (abril de 2002 – diciembre de 2023) utilizando una división secuencial de entrenamiento/validación/prueba. Debido al número limitado de muestras de entrenamiento (183 meses), el diseño emplea una fuerte regularización (dropout, decaimiento de peso) y una capacidad de modelo moderada.

Contribuciones Clave

1. Transferencia Metodológica: El artículo demuestra que una arquitectura de grafos de la previsión de movilidad urbana puede transferirse con éxito a los datos geodésicos satelitales, siempre que la estructura del grafo se adapte para codificar el conocimiento específico del dominio (teleconexiones y acoplamiento hidrológico).
2. Grafo Híbrido Estático: Los autores documentan la decisión de diseño de reemplazar las estructuras de grafos aprendidas por una matriz de adyacencia híbrida, estática e informada por el dominio. Esta elección mejora la interpretabilidad y la estabilidad, evitando los problemas de convergencia asociados con la optimización conjunta de grafos latentes sobre entradas meteorológicas heterogéneas.
3. Eficiencia y Parsimonia: El modelo propuesto logra una competitividad estadística utilizando solo tres variables de entrada ($P, E, R$), mientras que los modelos de referencia establecidos (GTWS-MLrec, RM-REC, GRAiCE) utilizan conjuntos de variables significativamente mayores (que van de 6 a más de 25 variables).
4. Evaluación Exhaustiva: El estudio proporciona una evaluación de múltiples etapas que incluye métricas cuantitativas, análisis de error estacional y espacial, y estudios de caso específicos de los eventos El Niño 2015/16 y La Niña 2020/21.

Resultados
Evaluado contra los datos de GRACE/GRACE-FO (2002–2023) sobre América del Sur:

• Métricas de Desempeño: La reconstrucción logra una correlación de Pearson por celda de la cuadrícula de 0.69 y una correlación media de cuenca de 0.94, con un sesgo cercano a cero (−0.004 m).
• Eventos ENSO: El modelo reproduce con éxito las huellas espaciales de los principales eventos ENSO, capturando los patrones contrastantes de sequía/humedad de las cuencas del Amazonas y del Plata durante El Niño y La Niña, aunque subestima ligeramente la amplitud de estos extremos.
• Comparación con Modelos de Referencia: Al compararse con GTWS-MLrec, RM-REC y GRAiCE, el modelo MTGNN es estadísticamente competitivo a escala de cuenca (correlación dentro de 0.025 del mejor modelo de referencia). Aunque muestra un desempeño ligeramente inferior a nivel de celda individual en regiones áridas en comparación con algunos modelos de referencia, logra esto con una fracción de los requisitos de datos de entrada.
• Limitaciones: Al igual que otros métodos de reconstrucción, el modelo presenta una precisión reducida en regiones áridas y semiáridas (por ejemplo, partes de Bolivia, Paraguay, Argentina y Chile) y en áreas con una fuerte influencia humana, donde los procesos hidroclimáticos son complejos.

Significancia y Afirmaciones
El artículo afirma que este trabajo representa la primera aplicación del aprendizaje profundo de grafos espacio-temporales a la reconstrucción de TWS que codifica explícitamente las teleconexiones hidroclimáticas en la topología del grafo. La significancia radica en demostrar que la analogía entre el flujo de tráfico y el transporte de agua no es meramente conceptual, sino que puede ser explotada directamente en arquitecturas basadas en grafos para modelar campos geofísicos globales.

Los autores enfatizan que la elección entre grafos aprendidos y prescritos es una decisión de modelado crítica. Al utilizar un grafo estático e interpretable, el modelo ofrece una perspectiva aware de la topología sobre el almacenamiento de agua histórico que complementa los enfoques existentes por celda. El estudio concluye que el enfoque basado en grafos ofrece una relación favorable entre precisión y variables, reduciendo los costos de adquisición de datos y facilitando la atribución del mapeo aprendido a los impulsores físicos. Los autores señalan que la brecha de desempeño actual en regiones áridas es un desafío para toda la comunidad y esbozan futuras extensiones que involucran la expansión de parámetros de entrada (por ejemplo, añadir temperatura) y el entrenamiento informado por la física mediante la ecuación del balance hídrico terrestre.