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

Résumé technique : Vers une modélisation augmentée par l'apprentissage automatique et conceptuellement interprétable de la dynamique précipitation-stockage-écoulement à l'échelle des bassins versants sur l'ensemble du CONUS

Énoncé du problème
Bien que les récentes études de grande échelle en hydrologie (LSH) aient appliqué avec succès l'apprentissage profond (DL), particulièrement les réseaux de mémoire à long et court terme (LSTM), pour atteindre une précision prédictive de pointe à travers divers bassins versants, ces modèles « universels » fonctionnent souvent comme des boîtes noires. Ils offrent une interprétabilité physique limitée et ne parviennent pas à encoder explicitement comment la dominance des processus hydrologiques varie géographiquement. À l'inverse, les modèles conceptuels de pluie-écoulement (CRR) traditionnels sont physiquement interprétables mais peinent souvent à égaler la compétence prédictive des approches fondées sur les données, particulièrement lorsqu'une structure fixe unique est appliquée à des régions présentant des régimes hydro-climatiques très différents. Le défi central abordé est de savoir comment combler le fossé entre la performance prédictive et la compréhension physique en développant des modèles qui soient à la fois fondés sur les données et conceptuellement interprétables, tout en reconnaissant que la structure de modèle optimale n'est pas universelle mais dépend de la dominance des processus locaux.

Méthodologie
L'étude emploie une analyse à grande échelle sur 513 bassins versants peu perturbés dans le continent des États-Unis (CONUS) en utilisant le jeu de données CAMELS. La méthodologie centrale repose sur le Perceptron de Conservation de la Masse (MCP), une unité d'apprentissage automatique qui impose la conservation de la masse au niveau nodal tout en apprenant des fonctions de porte à partir des données.

1. Architecture du modèle : Les auteurs ont construit une hiérarchie de modèles basés sur le MCP de complexité variable :
   • Modèles à état unique :
     • HMCP : Un modèle générique à état unique représentant le stockage total de l'eau (humidité du sol) sans distinction de la neige. Les variantes incluent la relaxation de masse ($HMCP(1, MR)$) et l'augmentation de la perte ($HMCP(1, AL)$).
     • SNOWMCP : Un modèle à état unique où la variable d'état représente l'équivalent en eau de la neige (SWE), entraîné initialement contre des données de SWE observées. Les variantes incluent des formulations basées sur la température et des versions augmentées incorporant le déficit de pression de vapeur, le rayonnement solaire et les extrêmes de température.
   • Modèles couplés à deux états (HYDROMMCP) : Ils couplent explicitement un module SNOWMCP et un module SOILMCP. Deux configurations de couplage ont été testées :
     • Série : La fonte des neiges entre dans le stockage du sol avant de générer l'écoulement.
     • Parallèle : La fonte des neiges contourne le module du sol et est acheminée directement vers l'exutoire.
2. Stratégie d'entraînement : Les modèles ont été entraînés individuellement pour chaque bassin versant (approche bassin par bassin) plutôt qu'en utilisant une seule architecture universelle entraînée sur l'ensemble des données simultanément. Cela a permis l'exploration systématique de la manière dont la structure de modèle optimale varie selon le climat, la topographie et la végétation.
3. Évaluation et sélection : La performance a été évaluée à l'aide du score de compétence de l'efficacité de Kling-Gupta ($KGE_{ss}$). La sélection du modèle a été guidée par le critère d'information d'Akaike (AIC) pour équilibrer l'ajustement prédictif et la parcimonie structurelle.
4. Benchmarks : Les modèles basés sur le MCP ont été comparés à :
   • Un réseau $NMCP^{DS}(5)$ à 5 états de cellules, distribué et conservant la masse.
   • Un réseau LSTM standard à 5 états ($LSTM(5)$).

Résultats clés

• Dominance des processus et complexité : Aucune architecture unique n'a fonctionné de manière optimale dans tous les bassins versants. L'étude a trouvé que les exigences de complexité des modèles sont fortement liées aux régimes hydro-climatiques.
  • Dans les régions dominées par la neige, la représentation explicite de la dynamique de la neige (via SNOWMCP ou HYDROMCP) était critique. Les formulations simples de la neige basées sur la température ont très bien fonctionné dans ces zones.
  • Dans les régions non enneigées ou de faible altitude, les modèles HMCP les plus simples à état unique étaient souvent suffisants et préférés par le critère AIC.
  • Les modèles à deux états (HYDROMCP) ont été sélectionnés moins fréquemment (22 % des bassins versants) et principalement dans les zones montagneuses complexes ou de transition où à la fois l'humidité du sol et la dynamique de la neige étaient significatives.
• Performance prédictive :
  • Le cadre MCP parcimonieux « optimal » (OPTMCP), qui sélectionne la meilleure architecture par bassin (typiquement 1 à 2 états de cellules), a atteint une médiane de $KGE_{ss}$ de 0,85 à travers le CONUS.
  • Cette performance est comparable au benchmark NMCP à 5 états conservant la masse (médiane $KGE_{ss} \approx 0,85$) et légèrement inférieure au benchmark LSTM à 5 états ne conservant pas la masse (médiane $KGE_{ss} = 0,89$).
  • Crucialement, le cadre OPTMCP a surpassé le benchmark conservant la masse dans près de la moitié des bassins versants (240 sur 513).
• Interprétabilité : L'étude a démontré que des architectures conservant la masse et physiquement interprétables peuvent atteindre une compétence prédictive quasi optimale avec nettement moins de paramètres (8–27 paramètres) par rapport aux approches de DL génériques (souvent 64–256 états).
• Motifs géographiques : La sélection de l'architecture du modèle a révélé des motifs spatiaux distincts. Les modèles SNOWMCP ont été sélectionnés dans les régions influencées par la neige, tandis que les modèles HYDROMCP sont apparus dans certaines zones montagneuses de l'Ouest et certaines régions non neigeuses du Sud-Est, suggérant des lacunes dans la représentation des processus dans les modèles simplifiés pour ces contextes spécifiques.

Signification et affirmations
Le papier se positionne comme une étape nécessaire vers des « modèles de partout » qui ne reposent pas sur une architecture universelle unique mais qui reconnaissent la variabilité spatiale et temporelle des processus.

• Apprentissage automatique informé par la théorie : L'étude soutient que l'avenir de la science hydrologique réside dans la synthèse de la modélisation basée sur la théorie et les hypothèses avec l'apprentissage automatique fondé sur les données. En utilisant des unités MCP, les auteurs montrent que les modèles peuvent être « augmentés par l'apprentissage automatique » pour apprendre les dynamiques de processus directement à partir des données tout en conservant l'interprétabilité structurelle des modèles CRR traditionnels.
• Parcimonie plutôt qu'universalité : Les auteurs affirment que la recherche d'un modèle universel unique peut occulter les différences de processus régionaux. Au lieu de cela, le développement de familles de modèles adaptés à la dominance spécifique des processus (par exemple, neige vs humidité du sol) permet une meilleure compréhension mécaniste et une compétence prédictive robuste.
• Fondation pour des travaux futurs : L'étude conclut que, bien que les modèles actuels basés sur le MCP ne soient pas encore des modèles résolvant pleinement les processus physiques (par exemple, les états internes peuvent agir comme des états « informationnels » lorsqu'ils sont entraînés uniquement sur le débit), ils constituent une base solide. Les auteurs suggèrent que les travaux futurs devraient se concentrer sur l'intégration de ces architectures parcimonieuses et interprétables dans des cadres d'apprentissage automatique plus larges afin de créer une nouvelle génération de modèles qui tiennent explicitement compte de la variabilité géo-hydro-climatique, ancrant ainsi la puissance prédictive dans une meilleure compréhension théorique.

Les auteurs maintiennent un ton modeste, reconnaissant que bien que leur approche améliore l'interprétabilité et la performance, elle ne résout pas encore totalement le compromis entre précision et réalisme physique, particulièrement dans les régimes de transition complexes où le couplage masse-énergie et les interactions de la végétation restent difficiles à représenter.