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

Technische Samenvatting: Naar CONUS-brede ML-geaugmenteerde conceptueel-interpreteerbare modellering van de dynamiek van neerslag-opslag-afvoer op stroomgebiedsschaal

Probleemstelling
Hoewel recente studies naar grootschalige hydrologie (LSH) succesvol deep learning (DL) hebben toegepast, met name Long Short-Term Memory (LSTM) netwerken, om een state-of-the-art voorspellende nauwkeurigheid te bereiken in diverse stroomgebieden, functioneren deze "universele" modellen vaak als black boxes. Ze bieden beperkte fysieke interpreteerbaarheid en slagen er niet in om expliciet te coderen hoe de dominantie van hydrologische processen geografisch varieert. Daartegenover staan traditionele conceptuele regenval-afvoer (CRR) modellen die fysiek interpreteerbaar zijn, maar vaak moeite hebben om de voorspellende vaardigheid van datagestuurde benaderingen te evenaren, vooral wanneer een enkele vaste structuur wordt toegepast op regio's met zeer verschillende hydro-klimatologische regimes. De centrale uitdaging die hier wordt geadresseerd, is hoe het gat tussen voorspellende prestaties en fysiek begrip kan worden overbrugd door modellen te ontwikkelen die zowel datagestuurd als conceptueel interpreteerbaar zijn, terwijl wordt erkend dat de optimale modelstructuur niet universeel is maar afhangt van lokale procesdominantie.

Methodologie
De studie maakt gebruik van een grootschalige analyse over 513 minimaal verstoorde stroomgebieden in het continentale Verenigde Staten (CONUS) met behulp van de CAMELS-dataset. De kernmethodologie steunt op de Mass-Conserving Perceptron (MCP), een machine learning-eenheid die massaconservatie op het niveau van de knoop afdwingt terwijl leerfuncties (gating functions) vanuit data worden geleerd.

1. Modelarchitectuur: De auteurs construeerden een hiërarchie van MCP-gebaseerde modellen met variërende complexiteit:
   • Single-State Modellen:
     • HMCP: Een generiek single-state model dat de totale wateropslag (bodemvocht) vertegenwoordigt zonder onderscheid te maken voor sneeuw. Varianten omvatten massarelaxatie ($HMCP(1, MR)$) en geaugmenteerde loss ($HMCP(1, AL)$).
     • SNOWMCP: Een single-state model waarbij de toestandsvariabele de sneeuwwaterequivalent (SWE) vertegenwoordigt, initieel getraind tegen geobserveerde SWE-data. Varianten omvatten basis temperatuurgebaseerde formuleringen en geaugmenteerde versies die dampdruktekort, zonnestraling en temperatuurextremen integreren.
   • Two-State Gekoppelde Modellen (HYDROMMCP): Deze koppelen expliciet een SNOWMCP-module en een SOILMCP-module aan elkaar. Twee koppelingconfiguraties werden getest:
     • Series (Serieel): Sneeuwsmelt gaat de bodemopslag binnen voordat het afvoer genereert.
     • Parallel: Sneeuwsmelt omzeilt de bodemmodule en leidt direct af naar de uitlaat.
2. Trainingsstrategie: Modellen werden individueel voor elk stroomgebied getraind (catchment-by-catchment) in plaats van één enkele universele architectuur die simultaan op alle data wordt getraind. Dit maakte een systematische exploratie mogelijk van hoe de optimale modelstructuur varieert met klimaat, topografie en vegetatie.
3. Evaluatie en Selectie: Prestaties werden geëvalueerd met behulp van de Kling-Gupta Efficiency skill score ($KGE_{ss}$). Modelselectie werd gestuurd door het Akaike Informatie Criterium (AIC) om een balans te vinden tussen voorspellende fit en structurele parsimonie (eenvoud).
4. Benchmarks: De MCP-gebaseerde modellen werden vergeleken met:
   • Een massaconserverend, gedistribueerd-state MCP-netwerk ($NMCP^{DS}(5)$) met 5 cel-toestanden.
   • Een standaard 5-state LSTM-netwerk ($LSTM(5)$).

Belangrijkste Resultaten

• Procesdominantie en Complexiteit: Geen enkele architectuur presteerde optimaal in alle stroomgebieden. De studie vond dat de vereisten voor modelcomplexiteit sterk verbonden zijn met hydro-klimatologische regimes.
  • In sneeuwgedomineerde regio's was het expliciet representeren van sneeuwdynamiek (via SNOWMCP of HYDROMCP) cruciaal. Eenvoudige temperatuurgebaseerde sneeuwformuleringen presteerden opmerkelijk goed in deze gebieden.
  • In niet-sneeuwachtige of laaggelegen regio's waren de eenvoudigste single-state HMCP-modellen vaak voldoende en werden deze door het AIC-criterium verkozen.
  • Two-state modellen (HYDROMCP) werden minder frequent geselecteerd (22% van de stroomgebieden) en voornamelijk in complexe bergachtige of transitiezones waar zowel bodemvocht als sneeuwdynamiek significant waren.
• Voorspellende Prestaties:
  • Het "optimale" parsimonieuze MCP-framework (OPTMCP), dat de beste architectuur per stroomgebied selecteert (typisch 1–2 cel-toestanden), bereikte een mediane $KGE_{ss}$ van 0,85 over de gehele CONUS.
  • Deze prestatie was vergelijkbaar met het complexere 5-state massaconserverende NMCP-benchmark (mediane $KGE_{ss} \approx 0,85$) en iets lager dan de niet-massaconserverende 5-state LSTM-benchmark (mediane $KGE_{ss} = 0,89$).
  • Cruciaal is dat het OPTMCP-framework de massaconserverende benchmark versloeg in bijna de helft van de stroomgebieden (240 van de 513).
• Interpreteerbaarheid: De studie toonde aan dat fysiek interpreteerbare, massaconserverende architecturen een bijna optimale voorspellende vaardigheid kunnen bereiken met aanzienlijk minder parameters (8–27 parameters) vergeleken met generieke DL-benaderingen (vaak 64–256 toestanden).
• Geografische Patronen: De selectie van de modelarchitectuur onthulde duidelijke ruimtelijke patronen. SNOWMCP-modellen werden geselecteerd in sneeuwbeïnvloede regio's, terwijl HYDROMCP-modellen verschenen in specifieke westelijke berggebieden en zuidoostelijke niet-sneeuwrijke regio's, wat suggereert dat er ontbrekende procesrepresentaties zijn in vereenvoudigde modellen voor die specifieke contexten.

Betekenis en Claims
Het artikel positioneert zichzelf als een noodzakelijke stap naar "modellen van overal" die niet vertrouwen op een enkele universele architectuur, maar die de ruimtelijke en temporele variabiliteit in procesdominantie erkennen.

• Theorie-geïnformeerde ML: De studie betoogt dat de toekomst van de hydrologische wetenschap ligt in het synthetiseren van theorie-gestuurde, hypothese-gebaseerde modellering met datagestuurde ML. Door gebruik te maken van MCP-eenheden laten de auteurs zien dat modellen "ML-geaugmenteerd" kunnen zijn om procesdynamiek direct uit data te leren, terwijl ze de structurele interpreteerbaarheid van traditionele CRR-modellen behouden.
• Parsimonie boven Universaliteit: De auteurs stellen dat het streven naar een enkel universeel model de regionale procesverschillen kan maskeren. In plaats daarvan staat het ontwikkelen van families van modellen die zijn afgestemd op specifieke procesdominantie (bijv. sneeuw versus bodemvocht) voor een betere mechanistische benadering en robuuste voorspellende vaardigheid.
• Fundament voor Toekomstig Werk: De studie concludeert dat hoewel huidige MCP-gebaseerde modellen nog geen volledig proces-resolverende fysieke modellen zijn (bijv. interne toestanden kunnen fungeren als "informatieve" toestanden wanneer ze alleen tegen debiet worden getraind), ze een sterke fundering bieden. De auteurs suggereren dat toekomstig werk zich moet richten op het inbedden van deze parsimonieuze, interpreteerbare architecturen in bredere ML-frameworks om de volgende generatie modellen te creëren die expliciet rekening houden met geo-hydro-klimatologische variabiliteit, waardoor voorspellende kracht wordt gegrond in een verbeterd theoretisch begrip.

De auteurs hanteren een bescheiden toon en erkennen dat hoewel hun benadering de interpreteerbaarheid en prestaties verbetert, het de trade-off tussen nauwkeurigheid en fysiek realisme nog niet volledig oplost, met name in complexe transitiegebieden waar massa-energiekoppeling en interacties met vegetatie nog steeds uitdagend blijven om te representeren.