Pure and Physics-Guided Deep Learning Solutions for Spatio-Temporal Groundwater Level Prediction at Arbitrary Locations

O artigo apresenta o STAINet, um modelo de aprendizado profundo puro e estratégias de aprendizado guiado pela física (STAINet-IB, STAINet-ILB e STAINet-ILRB) para prever níveis de água subterrânea em locais arbitrários, demonstrando que a abordagem STAINet-ILB, que incorpora equações de fluxo e informações de recarga como viés de aprendizado, oferece o melhor desempenho e confiabilidade física.

O essencial

Imagine que você quer prever o nível da água em um grande lago subterrâneo (o lençol freático) que fica debaixo de uma região inteira. O problema é que você só tem 28 "poços de medição" espalhados por essa área enorme, e eles muitas vezes estão quebrados ou parados. Além disso, o clima (chuva, calor, neve) muda o tempo todo e afeta essa água de formas complexas.

Como prever o nível da água em qualquer lugar, mesmo onde não há sensores, e garantir que a previsão faça sentido físico (e não seja apenas um chute de computador)?

É exatamente isso que os autores deste artigo, liderados por Matteo Salis, tentaram resolver. Eles criaram uma "inteligência artificial" especial para o lençol freático. Vamos explicar como eles fizeram isso usando analogias simples:

1. O Problema: O "Turco Indutivo" e os Dados Falhos

O artigo começa dizendo que, às vezes, a gente aprende com o passado e acha que o futuro será igual (como um peru que é alimentado todo dia e acha que vai ser alimentado para sempre, até o Dia de Ação de Graças). Mas a natureza é complicada. Além disso, os dados de água são "falhos" (muitos buracos nas medições) e o clima é denso (tem dados de chuva e temperatura em cada pixel do mapa).

2. A Solução Pura: O "Detetive de Padrões" (STAINet)

Primeiro, eles criaram um modelo de Inteligência Artificial puro, chamado STAINet.

• A Analogia: Imagine um detetive muito inteligente que olha para os poucos poços que funcionam e para o mapa do clima (que é completo). Ele usa uma técnica chamada "Atenção" (como se ele pudesse focar em quais partes do mapa são mais importantes para o local que ele está tentando prever).
• O Truque: Esse detetive consegue olhar para os dados dos poços e, magicamente, prever o nível da água em qualquer ponto do mapa, mesmo onde nunca houve um sensor. É como se ele pudesse "estender" a medição dos poços para todo o território.

3. O Problema do Detetive Puro: Ele pode alucinar

Embora o detetive fosse bom, ele era uma "caixa preta". Ele podia acertar o número, mas não sabia por que acertou. Ele poderia inventar uma física que não existe (ex: a água subindo do nada). Para cientistas e gestores de água, isso é perigoso. Eles precisam confiar na ciência por trás da previsão.

4. A Solução Híbrida: O "Detetive com Manual de Física"

Aqui entra a parte genial do artigo. Eles não deixaram o computador aprender apenas com os dados. Eles deram a ele um "manual de instruções" da física da água (a equação que diz como a água se move no solo). Eles criaram três versões do modelo, como se fossem níveis de dificuldade:

• Nível 1 (STAINet-IB): O Estagiário com Manual.
  Eles ensinaram o modelo a calcular as peças da equação de física (como a água se difunde no solo e onde ela entra ou sai). O modelo tenta adivinhar essas peças e depois soma tudo para dar o resultado final. É como pedir para o aluno resolver a conta de cabeça, mostrando o passo a passo.

• Nível 2 (STAINet-ILB): O Aluno com Chefe de Tarefa.
  Aqui, eles não só pediram para o modelo calcular as peças, mas também checaram se as peças faziam sentido. Se o modelo calculasse que a água estava fluindo para cima (o que é fisicamente impossível naquela situação), o "chefe" (a função de perda) dava uma "chinelada" no modelo e dizia: "Isso está errado, tente de novo".

  • Resultado: Este foi o campeão. Ele não só acertou muito mais (com erros de apenas 0,16% em média), como também explicou como a água estava se movendo de forma realista.

• Nível 3 (STAINet-ILRB): O Aluno com Regras Rígidas.
  Eles adicionaram uma regra extra: "A água só pode recarregar (encher) em certas áreas de montanha, onde a neve derrete". Eles tentaram forçar o modelo a obedecer a isso.

  • Resultado: Funcionou bem, mas ficou um pouco "engessado". Às vezes, a regra era tão rígida que o modelo não conseguia capturar nuances reais do mundo (como a água sendo usada para irrigação em outros lugares).

5. Os Resultados: Por que isso importa?

O modelo vencedor (o Nível 2) foi testado em cenários difíceis:

• Previsão de Longo Prazo: Ele conseguiu prever o nível da água por meses inteiros, usando apenas a própria previsão anterior como base (como um jogo de "telefone sem fio" onde o computador não erra a mensagem).
• Mapas Completos: Ele gerou mapas detalhados de toda a região, mostrando onde a água estava subindo e descendo, mesmo em áreas de montanha onde não há sensores.
• Confiança: O modelo mostrou que, quando chove muito, a água sobe nas montanhas e desce para as planícies. Quando há seca, ele mostra a água sendo consumida. Isso dá confiança para quem toma decisões sobre recursos hídricos.

Resumo em uma frase

Os autores criaram um "cérebro digital" que aprende com poucos sensores de água e dados de clima, mas que é obrigado a seguir as leis da física, resultando em previsões precisas e confiáveis para qualquer lugar de uma região inteira, ajudando a proteger nossos recursos hídricos em tempos de mudanças climáticas.

É como ter um mapa do tesouro que não só mostra onde o ouro (água) está, mas também explica exatamente como a geologia e o clima moveram esse tesouro até lá.

Resumo técnico

Resumo Técnico: Soluções de Aprendizado Profundo Puro e Guiado por Física para Previsão de Níveis de Água Subterrânea

1. Problema e Contexto

A modelagem de níveis de água subterrânea (GWL - Groundwater Level) é fundamental para o planejamento de recursos hídricos, especialmente diante das mudanças climáticas. No entanto, a modelagem enfrenta desafios significativos:

• Dados Esparsos e Irregulares: As medições reais provêm de piezômetros (sensores in situ) que são espacialmente esparsos e frequentemente possuem dados faltantes.
• Limitações dos Modelos Teóricos: Os modelos baseados em física (equações diferenciais parciais) exigem calibração complexa, muitas vezes dependem de suposições simplificadoras e têm alto custo computacional.
• Limitações dos Modelos Puramente Baseados em Dados: Modelos de Deep Learning (DL) tradicionais tendem a ser "caixas pretas", com dificuldade de generalização para locais não observados e propensão a aprender associações espúrias devido à falta de compreensão do processo físico subjacente.
• Desafio de Localização Arbitrária: A maioria dos modelos exige que as entradas e saídas estejam em locais fixos e coincidentes, dificultando a previsão em locais arbitrários dentro de uma região de interesse (ROI).

O objetivo deste trabalho é desenvolver um modelo capaz de prever níveis de água subterrânea semanais em qualquer localização arbitrária dentro de uma região, combinando medições esparsas com dados meteorológicos densos, enquanto incorpora conhecimento físico para garantir confiabilidade e generalização.

2. Metodologia

Os autores propõem uma abordagem híbrida que evolui de um modelo puramente baseado em dados para modelos guiados por física.

A. Arquitetura Base: STAINet
O modelo base é o STAINet (Spatio-Temporal Attention-based Interpolation neural Network), que utiliza mecanismos de atenção para lidar com dados esparsos e previsões em locais arbitrários.

• Mecanismo de Atenção Multi-Head (MHA): Permite mapear coordenadas espaciais e temporais de entrada (chaves) para previsões em novos locais (consultas), permitindo previsões em qualquer resolução espacial.
• Entradas:
  • Componente Autoregressivo: Níveis de água históricos de sensores existentes.
  • Componente Exógeno: Dados meteorológicos densos (precipitação, temperatura, evaporação, degelo) tratados como "vídeo" (espaço-tempo).
• Estrutura: Dois ramos paralelos (um para dados de poço, outro para dados climáticos) que são concatenados e processados por blocos de atenção e camadas totalmente conectadas.

B. Estratégias Guiadas por Física
Para superar as limitações dos modelos puramente baseados em dados, os autores integraram a equação de fluxo de água subterrânea (uma equação de difusão derivada da Lei de Darcy e conservação de massa) através de três estratégias:

1. PSTAINet-IB (Viés Indutivo):

   • Modifica a arquitetura para estimar explicitamente os componentes da equação governante: o termo autoregressivo ($h_{t-1}$), o termo de difusão ($\Delta GW$) e o termo de fonte/sumidouro ($R$).
   • A saída final é a soma desses componentes estimados.
   • Assume-se que o parâmetro de difusão ($D = T/S$) é invariante no tempo e estimado apenas com base nas coordenadas espaciais.

2. PSTAINet-ILB (Viés Indutivo + Viés de Aprendizado):

   • Adiciona termos de regularização à função de perda (loss function) para supervisionar os componentes estimados.
   • $L_{coh}$: Garante que a estimativa do termo autoregressivo seja coerente com os dados reais.
   • $L_{diff}$: Penaliza a diferença entre a estimativa da difusão e sua aproximação discretizada (usando diferenças finitas) calculada sobre a saída do modelo. Isso força o modelo a obedecer à física da equação de difusão.
   • $L_{||R||}$: Regularização nos termos de fonte/sumidouro para evitar valores extremos.

3. PSTAINet-ILRB (Viés Indutivo + Viés de Aprendizado + Viés de Zona de Recarga):

   • Estende o PSTAINet-ILB incorporando conhecimento de domínio específico: zonas de recarga definidas por especialistas (áreas montanhosas onde a água subterrânea é recarregada).
   • Adiciona uma penalidade ($L_{RCH}$) que força o termo de recarga ($R$) a ser zero fora das zonas de recarga definidas.

3. Contribuições Principais

• Previsão em Locais Arbitrários: Demonstração de que mecanismos de atenção podem ser usados para interpolar dados esparsos de sensores para qualquer ponto de uma região, sem necessidade de malhas fixas ou interpolação pós-hoc.
• Aplicação em Cenário Real: É um dos primeiros estudos a testar abordagens de Deep Learning guiado por física em dados reais de água subterrânea (e não apenas em dados simulados), lidando com dados esparsos e faltantes.
• Comparação de Estratégias de Viés: Uma análise sistemática comparando viés indutivo (arquitetural) vs. viés de aprendizado (perda), mostrando que a combinação de ambos (ILB) oferece o melhor equilíbrio entre desempenho e aderência física.
• Interpretabilidade Física: O modelo não apenas prevê, mas estima componentes físicos (difusão e recarga), permitindo validar se o comportamento aprendido é fisicamente plausível.

4. Resultados

O estudo foi conduzido na região do Piemonte, Itália, utilizando dados de 28 piezômetros (2001-2023) e dados climáticos ERA5-Land.

• Desempenho Quantitativo:

  • O modelo PSTAINet-ILB obteve o melhor desempenho geral.
  • No cenário de rollout (previsão iterativa sem dados reais de entrada durante o teste), alcançou um MAPE mediano de 0,16% e um KGE (Eficiência de Kling-Gupta) de 0,58.
  • Superou consistentemente o modelo puramente baseado em dados (STAINet) e o modelo com apenas viés indutivo (PSTAINet-IB).
  • O modelo ILRB (com restrição de zona de recarga) teve desempenho ligeiramente inferior ao ILB, sugerindo que a restrição pode ter sido excessivamente rígida para o sistema real.

• Generalização:

  • O PSTAINet-ILB manteve alta performance mesmo em cenários de seca severa (verões de 2022 e 2023) e em locais com dados faltantes significativos.
  • A capacidade de reconstruir séries temporais completas com um horizonte de previsão de 26 semanas foi validada com sucesso.

• Análise Física:

  • Os componentes estimados pelo PSTAINet-ILB mostraram padrões físicos coerentes: maior difusão das montanhas para as planícies durante períodos de recarga e padrões mais estáveis em estações secas.
  • O modelo ILB conseguiu capturar dinâmicas de recarga e perda de forma mais realista do que o modelo puramente indutivo (IB), que produziu valores fisicamente implausíveis para os termos de difusão e fonte.

5. Significância e Conclusão

Este trabalho demonstra que a integração de conhecimento físico em modelos de Deep Learning (física guiada) é crucial para aplicações hidrológicas críticas.

• Confiabilidade: A injeção de física melhora a confiança nas previsões, especialmente em cenários de dados escassos ou não vistos anteriormente.
• Eficiência e Flexibilidade: O modelo oferece a flexibilidade de aprendizado profundo com a robustez de modelos teóricos, permitindo previsões em alta resolução espacial onde não há sensores.
• Futuro: Os autores sugerem que essa abordagem híbrida abre caminho para uma nova geração de modelos de sistemas terrestres que combinam a eficiência computacional do DL com a fundamentação teórica da física, sendo aplicável a diversos fenômenos ambientais além da hidrologia.

Em resumo, o PSTAINet-ILB representa um avanço significativo na previsão de recursos hídricos, provando que modelos podem ser tanto precisos quanto fisicamente interpretáveis, superando as limitações das abordagens puramente baseadas em dados ou puramente teóricas.