Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models

Resumen Técnico: Distribución Conjunta de la Escorrentía Aguas Arriba en Modelos de ML Distribuidos

Planteamiento del Problema
La transición de modelos hidrológicos probabilísticos agrupados (a escala de cuenca) a distribuidos (a escala de malla o de captación) introduce un desafío crítico y a menudo pasado por alto: el manejo explícito de la estructura conjunta espacial de la incertidumbre de la escorrentía. Si bien los métodos recientes de aprendizaje automático (ML) generativo han avanzado en la predicción probabilística del caudal, se han mantenido mayoritariamente confinados en modelos agrupados que predicen directamente los caudales de las salidas de las cuencas. En contraste, los modelos de Memoria de Corto Plazo (LSTM) deterministas se aplican cada vez más a escalas distribuidas y se derivan a través de redes fluviales para producir campos de descarga espacialmente continuos.

El problema central identificado es que, en la inferencia distribuida, la descarga aguas abajo es la suma derivada de la escorrentía de muchas cuencas aguas arriba. Si los miembros del ensamble de aguas arriba se muestrean de forma independiente (emparejamiento aleatorio), las incertididades locales tienden a cancelarse entre sí a medida que se propagan aguas abajo. Este efecto de "promedio" resulta en ensambles aguas abajo severamente subdispersos, que son excesivamente confiados y no logran capturar el rango real de resultados posibles. Por el contrario, los modelos agrupados aprenden implícitamente la respuesta hidrológica integrada y pueden modular la dispersión basándose en los atributos de la cuenca, pero carecen de la consistencia física y la continuidad espacial de los sistemas distribuidos.

Metodología
El estudio utiliza el Conjunto de Datos Japonés para la Predicción de Descarga de Ríos Distribuidos (JP-DRDP), que representa a Japón como un grafo de 793 cuencas hidrológicas. Los autores emplean dos modelos de generación de escorrentía probabilísticos entrenados a escala de cuenca:

1. No paramétrico: Un LSTM condicionado por ruido donde se añade un vector de ruido aleatorio a la entrada para generar trayectorias distintas.
2. Paramétrico: Un LSTM de dos cabezales que emite una media y un parámetro de dispersión dinámica, muestreando de una distribución log-normal.

Estos modelos se evalúan bajo tres configuraciones de inferencia:

• Directa a Escala de Cuenca (Agrupada): Sirve como límite superior de rendimiento, prediciendo la salida directamente sin derivación explícita.
• Distribuida con Muestreo Independiente: Se genera la escorrentía para cada cuenca, y los miembros del ensamble se emparejan aleatoriamente a través de la red (asumiendo incertidumbres no correlacionadas).
• Distribuida con Muestreo Conjunto (Emparejamiento de Cuantiles): Los miembros del ensamble se sincronizan seleccionando el mismo nivel de probabilidad (cuantil) en todas las cuencas aguas arriba antes de la derivación. Esto asume una correlación positiva perfecta en la incertidumbre de la escorrentía.

La escorrentía generada se deriva mediante un esquema de derivación de Hayami utilizando el marco de trabajo DiffRoute. El rendimiento se evalúa mediante la Puntuación de Probabilidad Clasificada Continua (CRPS), la Eficiencia de Nash-Sutcliffe (NSE) de la media del ensamble, la dispersión del ensamble y métricas de fiabilidad (índice alfa, cobertura del 90%).

Contribuciones Clave

• Identificación de un Requisito Estructural: El artículo argumenta que pasar la predicción probabilística de modelos agrupados a distribuidos requiere el muestreo explícito de la distribución conjunta de la escorrentía aguas arriba. El muestreo local independiente es insuficiente y provoca un colapso en la dispersión de la descarga aguas abajo.
• Diagnóstico de Estrategias de Muestreo: El estudio demuestra que la elección de la estrategia de muestreo espacial (aleatorio vs. emparejamiento de cuantiles) tiene un impacto profundo en la habilidad probabilística pero prácticamente ningún efecto en la habilidad determinista (NSE).
• Cuantificación de la Dependencia de la Escala: Los autores muestran que la degradación causada por el muestreo independiente se intensifica con el número de cuencas aguas arriba y la resolución de la malla, mientras que los beneficios del muestole de cuantiles son más pronunciados en cuencas de escala intermedia.

Resultados

• Habilidad Probabilística vs. Habilidad Determinista: El NSE de la media del ensamble se mantuvo constante (~0.84) en todas las configuraciones distribuidas, independientemente de la estrategia de muestreo. Sin embargo, la habilidad probabilística (CRPS) se degradó significativamente bajo el emparejamiento aleatorio en comparación con el emparejamiento de cuantiles y el referente agrupado.
• Colapso de la Dispersión del Ensamble: El emparejamiento aleatorio resultó en dispersiones de ensamble menores a la mitad de los modelos emparejados por cuantiles. Esta subdispersión causó una caída aguda en la fiabilidad, con el índice alfa cayendo de 0.7 de 0.72 (cuantiles) a 0.44 (aleatorio) y la cobertura del 90% cayendo por debajo del 36%.
• Restauración vía Emparejamiento de Cuantiles: El emparejamiento de cuantiles logró restaurar la dispersión del ensamble a niveles comparables con el referente agrupado, recuperando más de la mitad de la brecha de habilidad probabilística. En el 36% de las cuencas, el modelo distribuido emparejado por cuantiles incluso superó al modelo agrupado.
• Variabilidad Geográfica y de Escala:
  • Cuencas Grandes (p. ej., Río Kitakami, ~7700 km²): El emparejamiento aleatorio causó un colapso total de la dispersión, perdiendo por completo los flujos observados. El emparejamiento de cuantiles preservó la dispersión pero introdujo sobre-dispersión y sesgo, no logrando alcanzar la habilidad del modelo agrupado debido a la ruptura del supuesto de correlación perfecta en redes grandes y heterogéneas.
  • Cuencas Pequeñas (p. ej., Río Hazama, ~58 km²): Con pocos sensores aguas arriba, la penalización por el muestreo independiente fue mínima, y todos los métodos se comportaron de manera similar.
  • Patrones Regionales: El emparejamiento de cuantiles destacó en el oeste y sur de Japón (menos sensores, más cercanos entre sí), pero fue inferior al modelo agrupado en Hokkaido y Yamagata, donde procesos físicos como la regulación de presas y el deshielo (no capturados por el módulo de derivación) dominan la incertidumbre.

Significancia y Reivindicaciones
El artículo sostiene que la transición de la hidrología probabilística de modelos agrupados a distribuidos no puede lograrse simplemente reemplazando modelos deterministas por probabilísticos; la estructura conjunta espacial de la incertidumbre debe gestionarse explícitamente. El estudio postula que, si bien asumir una correlación positiva perfecta (emparejamiento de cuantiles) es un heurístico simple, es un paso diagnóstico necesario para demostrar que la estructura conjunta es importante.

Los autores concligen que el muestreo independiente promedia de forma catastrófica la incertidumbre en las redes de derivación de gran tamaño, haciendo que los pronósticos distribuidos sean poco fiables para la toma de decisiones. Si bien el emparejamiento de cuantiles restaura gran parte de la habilidad perdida, no es una solución definitiva para cuencas grandes y heterogéneas donde el supuesto de correlación perfecta falla. El artículo hace un llamado a la comunidad de ML hidrológico para ir más allá de las estrategias de muestreo espacial ingenuas hacia estructuras de correlación espacial dinámicas y físicamente informadas (por ejemplo, acoplamiento de cópulas de ensamble o modelos generativos espacialmente conscientes) para proporcionar estimaciones de incertidumbre continuas y confiables para la toma de decisiones operativas.