DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling

Resumo Técnico: DUALFloodGNN

Declaração do Problema
A modelagem de inundações é crítica para a gestão estratégica de desastres, no entanto, os modelos numéricos convencionais baseados em física enfrentam um gargalo significativo: seu alto custo computacional limita sua utilidade em ambientes operacionais que exigem previsões rápidas e em tempo real. Embora os modelos de aprendizado profundo (DL) orientados por dados ofereçam velocidade, arquiteturas padrão como Redes Neurais Convolucionais (CNNs) são restringidas por sua dependência de malhas de grade estruturadas, que falham em representar adequadamente as topografias irregulares e a dinâmica de fluidos não uniforme características de cenários de inundação. Além disso, muitos modelos de DL atuam como "caixas pretas", carecendo da interpretabilidade física necessária para garantir consistência com as leis hidrodinâmicas. As abordagens existentes de Redes Neurais em Grafos (GNN) para modelagem de inundações frequentemente lutam para impor a conservação de massa em escalas locais ou exigem transformações computacionalmente caras (por exemplo, grafos de linha) para prever características de aresta juntamente com características de nó.

Metodologia
Os autores propõem o DUALFloodGNN (GNN de Inundação com Restrições Universais e Locais Duplas), uma arquitetura GNN inovadora informada por física, projetada para a previsão simultânea de volume de água nos nós e fluxo de água ao longo das arestas.

• Arquitetura: O modelo adota uma estrutura de Codificação-Processamento-Decodificação.
  • Codificador: Codifica separadamente características de nós estáticas e dinâmicas (por exemplo, elevação, volume) e características de aresta em um espaço latente unificado usando Perceptrons Multicamada (MLPs).
  • Processador (Passagem de Mensagens Compartilhada): Diferentemente de abordagens anteriores que exigem grafos de linha, o DUALFloodGNN utiliza um mecanismo de passagem de mensagens compartilhado. As mensagens são geradas com base tanto nos embeddings de nós quanto nos de arestas ($m_{ji} = \text{MLP}(h_i || h_j || e_{ij})$). Essas mensagens são agregadas para atualizar os embeddings de nós via soma, enquanto os embeddings de aresta são diretamente sobrescritos pelas mensagens. Este design preserva as características vetoriais do fluxo e permite a modelagem conjunta sem gerar estruturas de grafos auxiliares.
  • Decodificador: Dois decodificadores separados preveem a mudança no volume de água ($\Delta V$) e no fluxo de água ($\Delta \vec{Q}$) para o próximo passo de tempo, que são adicionados ao estado atual via conexões residuais.
• Função de Perda Informada por Física: O objetivo de treinamento integra restrições físicas derivadas das Equações de Água Rasa para impor a conservação de massa em duas escalas:
  • Perda Global ($L_{global}$): Garante que a mudança total de volume em toda a bacia hidrográfica corresponda ao fluxo de entrada/saída líquida nas fronteiras e à precipitação.
  • Perda Local ($L_{local}$): Impõe explicitamente o balanço de massa no nível de cada nó individual, equilibrando as mudanças de volume de nó previstas contra a soma dos fluxos de entrada e saída das arestas conectadas.
• Estratégia de Treinamento: Para lidar com o acúmulo de erro inerente à inferência autoregressiva, o modelo emprega uma estratégia de aprendizado de currículo dinâmico. Em vez de um cronograma fixo, o horizonte de previsão é estendido apenas após o modelo convergir no conjunto de validação para o comprimento atual. Além disso, uma perda de vários passos à frente é usada durante a execução para incentivar a robustez contra as próprias previsões ruidosas do modelo.

Principais Contribuições

1. Restrições de Física em Dupla Escala: A introdução de uma função de perda informada por física que promove explicitamente a conservação de massa em escalas global e local, garantindo dinâmicas de inundação fisicamente realistas dentro de áreas localizadas da malha computacional.
2. Previsão Conjunta de Nós e Arestas: Uma arquitetura inovadora que prevê simultaneamente características de nó (volume) e de aresta (fluxo) usando geração de mensagens compartilhada e dois decodificadores separados. Esta abordagem evita a sobrecarga computacional de grafos de linha, ao mesmo tempo que preserva a correlação física entre volume e fluxo.
3. Avaliação Comparativa Abrangente: O primeiro estudo a avaliar o desempenho entre diferentes modelos de inundação baseados em GNN, comparando a arquitetura proposta com GNNs padrão (GCN, GAT, GraphSAGE, GIN, GINE) e modelos específicos de domínio de última geração (HydroGraphNet, SWE-GNN).

Resultados Experimentais
O modelo foi avaliado em um conjunto de dados de 56 eventos de inundação da bacia hidrográfica do Rio Wollombi (Nova Gales do Sul, Austrália), discretizado em um grafo de 1.129 nós e 2.743 arestas.

• Desempenho de Regressão: O DUALFloodGNN alcançou o menor Erro Quadrático Médio (RMSE) para previsões de volume e fluxo de água. Superou o segundo melhor modelo (GINE) em 35,53% na previsão de volume (RMSE: 2.216,27 vs. 3.437,68 $m^3$) e melhorou o RMSE de fluxo da linha de base em 41,21% (25,88 vs. 44,02 $m^3/s$).
• Previsão de Profundidade e Classificação: Ao recalcular a profundidade da água, o modelo alcançou um RMSE de 0,21 m, uma melhoria de 72,37% sobre o segundo melhor modelo. Também alcançou um Índice de Sucesso Crítico (CSI) de aproximadamente 0,90 para a classificação da extensão da inundação em ambos os limiares de 0,05 m e 0,3 m.
• Eficiência: O modelo mantém alta eficiência computacional, com um tempo de inferência de ~4,1 segundos por evento, comparável a outras abordagens GNN e ordens de magnitude mais rápido do que solucionadores numéricos (que podem levar quase um dia para o mesmo evento).
• Estudos de Ablação: Experimentos confirmaram que a inclusão de características de fluxo de entrada global e a integração de regularização em nível local são críticas para o desempenho. Modelos treinados sem restrições físicas ou com apenas perda global apresentaram erros significativamente maiores.

Significado
O artigo afirma que o DUALFloodGNN conecta com sucesso a lacuna entre a velocidade dos modelos orientados por dados e a fidelidade física das simulações numéricas. Ao incorporar restrições físicas diretamente no processo de aprendizado e permitir a previsão conjunta de variáveis hidrológicas em malhas não estruturadas, o modelo oferece uma solução robusta, interpretável e computacionalmente eficiente para a modelagem operacional de inundações. Os autores posicionam este trabalho como um passo em direção a ferramentas de gestão de desastres em tempo real mais confiáveis, capazes de lidar com topografias complexas e irregulares, ao mesmo tempo que aderem às leis fundamentais da dinâmica de fluidos.