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

Sintesi Tecnica: Verso una modellazione del dinamismo precipitazione-accumulo-deflusso su scala di bacino, aumentata dal ML e concettualmente interpretabile in tutto il CONUS

Definizione del Problema
Sebbene studi recenti di idrologia a grandi campioni (LSH) abbiano applicato con successo il deep learning (DL), in particolare le reti Long Short-Term Memory (LSTM), per ottenere una capacità predittiva allo stato dell'arte in diversi bacini, questi modelli "universali" spesso funzionano come scatole nere (black box). Essi offrono una limitata interpretabilità fisica e non codificano esplicitamente come la dominanza dei processi idrologici vari geograficamente. Al contrario, i modelli concettuali tradizionali di pioggia-deflusso (CRR) sono fisicamente interpretabili ma spesso faticano a eguagliare la capacità predittiva degli approcci basati sui dati, specialmente quando viene applicata una singola struttura fissa a regioni con regimi idro-climatici profondamente diversi. La sfida centrale affrontata è come colmare il divario tra prestazioni predittive e comprensione fisica, sviluppando modelli che siano sia guidati dai dati che concettualmente interpretabili, riconoscendo al contempo che la struttura ottimale del modello non è universale ma dipende dalla dominanza dei processi locali.

Metodologia
Lo studio impiega un'analisi a grandi campioni su 513 bacini minimamente disturbati negli Stati Uniti continentali (CONUS) utilizzando il dataset CAMELS. La metodologia centrale si basa sul Mass-Conserving Perceptron (MCP), un'unità di machine learning che impone la conservazione della massa a livello nodale pur apprendendo funzioni di gating dai dati.

1. Architettura del Modello: Gli autori hanno costruito una gerarchia di modelli basati su MCP di diversa complessità:
   • Modelli a Stato Singolo:
     • HMCP: Un modello generico a stato singolo che rappresenta l'accumulo idrico totale (umidità del suolo) senza distinguere la neve. Varianti includono la rilassazione della massa ($HMCP(1, MR)$) e l'aumento della perdita ($HMCP(1, AL)$).
     • SNOWMCP: Un modello a stato singolo dove la variabile di stato rappresenta l'equivalente idrico della neve (SWE), addestrato inizialmente contro dati osservati di SWE. Le varianti includono formulazioni basate sulla temperatura e versioni aumentate che incorporano il deficit di pressione del vapore, la radiazione solare e gli estremi di temperatura.
   • Modelli Accoppiati a Due Stati (HYDROMCP): Questi accoppiano esplicitamente un modulo SNOWMCP e un modulo SOILMCP. Sono state testate due configurazioni di accoppiamento:
     • Serie: Il disgelo entra nello storage del suolo prima di generare il deflusso.
     • Parallelo: Il disgelo bypassa il modulo del suolo e viene incanalato direttamente allo sbocco.
2. Strategia di Addestramento: I modelli sono stati addestrati individualmente per ogni bacino (per bacino) anziché utilizzare un'unica architettura universale addestrata simultaneamente su tutti i dati. Ciò ha permesso l'esplorazione sistematica di come la variazione della struttura ottimale del modello dipenda da clima, topografia e vegetazione.
3. Valutazione e Selezione: La performance è stata valutata utilizzando lo score di abilità Kling-Gupta Efficiency ($KGE_{ss}$). La selezione del modello è stata guidata dal Criterio di Informazione di Akaike (AIC) per bilanciare l'adattamento predittivo con la parsimonia strutturale.
4. Benchmark: I modelli basati su MCP sono stati confrontati contro:
   • Una rete MCP distribuita a stati conservativi di massa ($NMCP^{DS}(5)$) con 5 stati cellulari.
   • Una rete LSTM standard a 5 stati ($LSTM(5)$).

Risultati Chiave

• Dominanza dei Processi e Complessità: Nessuna architettura singola è risultata ottimale in tutti i bacini. Lo studio ha scoperto che i requisiti di complessità del modello sono fortemente legati ai regimi idro-climatici.
  • Nelle regioni dominate dalla neve, la rappresentazione esplicita della dinamica della neve (tramite SNOWMCP o HYDROMCP) è stata critica. Semplici formulazioni della neve basate sulla temperatura hanno performato notevolmente bene in queste aree.
  • Nelle regioni non nevose o a bassa elevazione, i modelli più semplici a stato singolo (HMCP) erano spesso sufficienti e preferiti dal criterio AIC.
  • I modelli a due stati (HYDROMCP) sono stati selezionati meno frequentemente (22% dei bacini) e principalmente in zone montuose complesse o di transizione, dove sia l'umidità del suolo che la dinamica della neve sono significative.
• Performance Predittiva:
  • Il framework MCP parsimonioso "ottimale" (OPTMCP), che seleziona la migliore architettura per ogni bacino (tipicamente 1–2 stati cellulari), ha raggiunto un $KGE_{ss}$ mediano di 0,85 in tutto il CONUS.
  • Questa performance è comparabile al benchmark NMCP a 5 stati e conservativo della massa (mediana $KGE_{ss} \approx 0,85$) e leggermente inferiore al benchmark LSTM a 5 stati che non conserva la massa (mediana $KGE_{ss} = 0,89$).
  • Fondamentalmente, il framework OPTMCP ha superato il benchmark conservativo della massa in quasi la metà dei bacini (240 su 513).
• Interpretabilità: Lo studio ha dimostato che architetture parsimoniose e conservatrici della massa possono raggiungere una capacità predittiva quasi ottimale con decisamente meno parametri (8–27 parametri) rispetto agli approcci DL generici (spesso 64–256 stati).
• Pattern Geografici: La selezione dell'architettura del modello ha rivelato distinti pattern spaziali. I modelli SNOWMCP sono stati selezionati nelle regioni influenzate dalla neve, mentre i modelli HYDROMCP sono apparsi in specifiche zone montuose dell'ovest e nelle regioni del sud-est non nevose, suggerendo la mancanza di rappresentazioni di processi in modelli semplificati per quei contesti specifici.

Significato e Rivendicazioni
Il documento posiziona se stesso come un passo necessario verso i "modelli di ovunque" che non si affidano a un'unica architettura universale ma che riconoscono invece la variabilità spaziale e temporale della dominanza dei processi.

• ML Informato dalla Teoria: Lo studio sostiene che il futuro della scienza idrologica risieda nella sintesi tra la modellazione guidata dalla teoria e dalle ipotesi e il machine learning guidato dai dati. Utilizzando le unità MCP, gli autori mostrano che i modelli possono essere "aumentati dal ML" per apprendere le dinamiche dei processi direttamente dai dati, mantenendo la interpretabilità strutturale dei modelli CRR tradizionali.
• Parsimonia rispetto all'Universalità: Gli autori sostengono che il tentativo di creare un unico modello universale può oscurare le differenze di processo regionali. Invece, sviluppare famiglie di modelli adattati a una specifica dominanza di processo (ad esempio, neve vs umidità del suolo) permette una migliore comprensione meccanicistica e una capacità predittiva robusta.
• Fondamenta per il Lavoro Futuro: Lo studio conclude che, sebbene gli attuali modelli basati su MCP non siano ancora modelli fisici risolutivi dei processi (ad esempio, gli stati interni possono agire come stati "informazionali" quando addestrati solo su deflusso), essi forniscono una solida base. Gli autori suggeriscono che il lavoro futuro dovrebbe concentrarsi sull'integrazione di queste architetture parsimoniose e interpretabili in quadri ML più ampi per creare modelli di prossima generazione che tengano esplicitamente conto della variabilità geo-idro-climatica, ancorando così la capacità predittiva a una migliore comprensione teorica.

Gli autori mantengono un tono modesto, riconoscendo che, sebbene il loro approccio migliori l'interpretabilità e le prestazioni, non risolve ancora completamente il compromesso tra accuratezza e realismo fisico, in particolare nei regimi di transizione complessi dove il coupling massa-energia e le interazioni con la vegetazione rimangono difficili da rappresentare.