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

Sintesi Tecnica: Ricostruzione del TWS da GRACE tramite Reti Neurali a Grafo Spazio-Temporali

Definizione del Problema
L'accumulo idrico terrestre (TWS), che integra neve, umidità del suolo, acque superficiali e acque sotterranee, è un indicatore critico della variabilità climatica e dell'impatto umano sul ciclo dell'acqua. Sebbene il progetto GRACE e il suo successore GRACE-FO forniscano le uniche osservazioni dirette e globalmente coerenti dei cambiamenti del TWS, la loro registrazione è limitata al periodo iniziato nel 2002. Questa durata è insufficiente per analisi climatiche multi-decennali, come l'identificazione di trend, il rilevamento di punti di non ritorno o l'attribuzione della variabilità a driver come El Niño–Southern Oscillation (ENSO).

I metodi di ricostruzione esistenti tentano di estendere all'indietro il record GRACE utilizzando modelli statistici, modelli idrologici basati sulla fisica o machine learning (ad es., CNN, LSTM). Tuttavia, la maggior parte di questi approcci tratta le celle di griglia come spazialmente indipendenti o si affida a un contesto spaziale implicito, fallendo nel modellare esplicitamente la natura intrinsecamente interconnessa del ciclo dell'acqua, dove la connettività idrologica e le teleconnessioni atmosferiche accoppiano regioni distanti.

Metodologia
Questo articolo propone un'applicazione di deep learning utilizzando una Rete Neurale a Grafo per Serie Temporali Multivariate (MTGNN) per ricostruire le anomalie del TWS (TWSA) mensili simili a quelle di GRACE fino al 1940. Lo studio si concentra sul Sud America come regione di test all'interno di un workflow progettato globalmente.

• Trasferimento dell'Architettura: Gli autori adattano l'architettura MTGNN, originariamente sviluppata da Wu et al. per la previsione del traffico urbano, al dominio della geodesia satellitare. L'analogia strutturale è tracciata tra la propagazione della congestione del traffico sulle reti stradali e la propagazione dell'acqua e dell'umidità atmosferica lungo i sistemi fluviali e i modelli di circolazione.
• Input e Target: Il modello apprende la relazione tra le variabili di forcing meteorologico giornaliere ERA5 (precipitazione $P$, evapotraspirazione $E$ e runoff $R$) e le osservazioni mensili del TWSA di GRACE. L'input è una finestra di 30 giorni di dati di flusso giornalieri, e il target è il valore mensile del TWSA per ogni cella di griglia.
• Costruzione del Grafo: Un adattamento metodologico chiave è la sostituzione della matrice di adiacenza appresa dell'MTGNN con una matrice di adiacenza ibrida statica e interpretabile. Questa matrice codifica le dipendenze spaziali attraverso due componenti:
  1. Prossimità Geodetica: Un kernel gaussiano a decadimento della distanza basato sulla distanza fisica tra le celle di griglia.
  2. Correlazioni Climatiche Ritardate: La correlazione di Pearson con massimo ritardo tra le serie temporali delle variabili climatiche in diversi nodi, catturando le teleconnessioni in cui il segnale di una regione precede o segue quello di un'altra.
     Queste vengono combinate tramite una combinazione convessa ($\alpha=0.6$ per la somiglianza climatica) per formare la struttura del grafo.
• Regime di Addestramento: Il modello è addestrato sul periodo GRACE/GRACE-FO (aprile 2002–dicembre 2023) utilizzando una divisione sequenziale train/validation/test. A causa del numero limitato di campioni di addestramento (183 mesi), il design impiega una forte regolarizzazione (dropout, weight decay) e una moderata capacità del modello.

Contributi Chiave

1. Trasferimento Metodologico: Il documento dimostra che un'architettura a grafo derivata dalla mobilità urbana può essere trasferita con successo ai dati geodetici satellitari, a condizione che la struttura del grafo sia adattata per codificare la conoscenza specifica del dominio (teleconnessioni e accoppiamento idrologico).
2. Grafo Ibrido Statico: Gli autori documentano la decisione progettuale di sostituire le strutture di grafo apprese con una matrice di adiacenza ibrida, statica e informata dal dominio. Questa scelta migliora l'interpretabilità e la stabilità, evitando i problemi di convergenza associati all'ottimizzazione congiunta di grafi latenti su input meteorologici eterogenei.
3. Efficienza e Parsimonia: Il modello proposto raggiunge una competitività statistica utilizzando solo tre variabili di input ($P, E, R$), mentre i baseline stabiliti (GTWS-MLrec, RM-REC, GRAiCE) utilizzano set di predittori significativamente più ampi (da 6 a oltre 25 variabili).
4. Valutazione Comprensiva: Lo studio fornisce una valutazione multi-stadio che include metriche quantitative, analisi dell'errore stagionale e spaziale, e casi di studio specifici sugli eventi El Niño 2015/16 e La Niña 2020/21.

Risultati
Valutato contro i dati GRACE/GRACE-FO (2002–2023) sull'America del Sud:

• Metriche di Performance: La ricostruzione raggiunge una correlazione di Pearson per cella di griglia di 0,69 e una correlazione media di bacino di 0,94, con un bias quasi nullo (−0,004 m).
• Eventi ENSO: Il modello riproduce con successo le impronte spaziali dei principali eventi ENSO, catturando i pattern contrastanti di siccità/umidità dei bacini dell'Amazzonia e del La Plata durante El Niño e La Niña, sebbene sottostimi leggermente l'ampiezza di tali estremi.
• Confronto con i Baseline: Rispetto a GTWS-MLrec, RM-REC e GRAiCE, il modello MTGNN è statisticamente competitivo su scala di bacino (correlazione entro 0,025 rispetto al miglior baseline). Sebbene mostri una performance leggermente inferiore a livello di singola cella di griglia nelle regioni aride rispetto ad alcuni baseline, lo ottiene con una frazione dei requisiti di dati di input.
• Limitazioni: Come altri metodi di ricostruzione, il modello mostra una ridotta accuratezza nelle regioni aride e semi-aride (ad es., parti di Bolivia, Paraguay, Argentina e Cile) e nelle aree con forte influenza umana, dove i processi idroclimatici sono complessi.

Significato e Rivendicazioni
Il documento afferma che questo lavoro rappresenta la prima applicazione del deep learning a grafi spazio-temporali alla ricostruzione del TWS che codifica esplicitamente le teleconnessioni idroclimatiche nella topologia del grafo. La significatività risiede nel dimostrare che l'analogia tra il flusso del traffico e il trasporto dell'acqua non è meramente concettuale, ma può essere direttamente sfruttata in architetture basate su grafi per modellare campi geofisici globali.

Gli autori sottolineano che la scelta tra grafi appresi e prescritti è una decisione di modellazione critica. Utilizzando un grafo statico e interpretabile, il modello offre una prospettiva consapevole della topologia sulla storia dell'accumulo idrico che completa gli approcci esistenti per singola cella. Lo studio conclude che l'approccio basato su grafi offre un favorevole rapporto accuratezza-per-variabile, riducendo i costi di acquisizione dei dati e rendendo la mappatura appresa più facilmente attribuibile ai driver fisici. Gli autori osservano che l'attuale divario di performance nelle regioni aride è una sfida comune a tutta la comunità e delineano future estensioni che prevedono l'espansione dei parametri di input (ad es., l'aggiunta della temperatura) e l'addestramento informato dalla fisica tramite l'equazione del bilancio idrico terrestre.