Toward AI-Driven Digital Twins for Metropolitan Floods: A Conditional Latent Dynamics Network Surrogate of the Shallow Water Equations

Resumo Técnico: Rumo a Gêmeos Digitais de Inundações Metropolitanas Impulsionados por IA

1. Declaração do Problema

As inundações urbanas e regionais são um perigo que se intensifica rapidamente, contudo, a previsão hidrodinâmica de alta fidelidade na escala metropolitana permanece computacionalmente proibitiva para fluxos de trabalho operacionais que exigem previsão de conjunto, triagem de cenários ou assimilação de dados. Embora solvers acelerados por GPU para as Equações de Água Rasas bidimensionais (SWEs), como o SynxFlow, possam produzir previsões determinísticas, eles exigem aproximadamente 55 minutos para simular um evento de 96 horas em uma bacia metropolitana de 4,2 milhões de células ativas (a bacia do Rio Des Plaines com resolução de 30 m). Essa latência escala linearmente com o número de execuções, tornando inviáveis fluxos de trabalho como conjuntos de previsão de chuva ou downscaling de projeções climáticas na resolução nativa.

Os atuais substitutos baseados em dados para inundações enfrentam três lacunas críticas ao serem aplicados a gêmeos digitais metropolitanos operacionais:

1. Escalabilidade: A maioria das arquiteturas (GNNs, CNNs, VAEs, FNOs) possui custos de memória que escalam com o tamanho total da grade, forçando o aligeiramento ou recorte de domínios. Elas lutam com domínios que excedem ~1 milhão de células.
2. Dinâmicas Conscientes do Terreno: Muitos modelos preveem máximos de inundação estáticos ou lidam com o terreno apenas implicitamente via vieses convolucionais, falhando em capturar explicitamente o governo conjunto da chuva variante no tempo e do terreno estático espacialmente heterogêneo (elevação, inclinação, rugosidade).
3. Compatibilidade com Observações: Substitutos baseados em grade geralmente geram dados de raster vinculados à malha de simulação, exigindo interpolação para consultas de sensores. Eles carecem de um estado latente compacto e sem malha adequado para integração direta com observações esparsas de estações fluviométricas para assimilação de dados.

2. Metodologia: Rede de Dinâmica Latente Condicional (CLDNet)

Os autores propõem a CLDNet, um substituto neural sem malha que fatoriza a solução espaço-temporal das SWEs em um sistema dinâmico latente de baixa dimensão e um decodificador baseado em coordenadas.

• Dinâmica Latente (EDO Neural): O modelo avança um estado latente de baixa dimensão $s_t \in \mathbb{R}^{d_s}$ usando uma equação diferencial ordinária neural impulsionada por forçamento de chuva. A evolução do estado é definida por:
  $$s_{t_k} = s_{t_{k-1}} + \Delta t \cdot \mathcal{F}_{\theta_1}(s_{t_{k-1}}, r_{t_k})$$
  onde $r_{t_k}$ é o forçamento de chuva e $\mathcal{F}_{\theta_1}$ é uma rede de dinâmica (MLP).
• Decodificador Condicionado ao Terreno: Ao contrário das Redes de Dinâmica Latente (LDNets) padrão, que dependem exclusivamente de coordenadas e do estado latente, a CLDNet introduz um vetor de condicionamento de terreno estático $\phi(\xi)$ concatenado com a coordenada espacial embutida em Fourier $\gamma(\xi)$ em cada ponto de consulta. A rede de reconstrução $\mathcal{R}_{\theta_2}$ decodifica as variáveis conservadas (profundidade da água $h$, vazões unitárias $hu, hv$) como:
  $$\tilde{q}(t_k, \xi) = \mathcal{R}_{\theta_2}(s_{t_k}, [\gamma(\xi), \phi(\xi)])$$
  O vetor de condicionamento $\phi(\xi)$ consiste em elevação padronizada, magnitude da inclinação e rugosidade de Manning escalada. Isso permite que o decodificador contabilize explicitamente os controles hidráulicos locais sem memorizar todo o campo de terreno através do estado latente.
• Treinamento e Inferência Sem Malha: Como o decodificador opera ponto a ponto, a memória de treinamento e inferência escala com o número de pontos de consulta ($M$) em vez do tamanho total da grade ($|\Omega_h|$). Os autores empregam subamostragem espacial, selecionando um subconjunto de células ativas (por exemplo, $M=70.000$ para Illinois) por etapa de treinamento. Isso permite o treinamento em um único nó com dual-GPU para domínios com >4 milhões de células ativas.
• Flexibilidade de Consulta: O modelo pode ser consultado em coordenadas arbitrárias, incluindo localizações exatas de estações fluviométricas do USGS $(lon, lat)$, sem ajuste de raster ou interpolação.

3. Conjuntos de Dados e Validação

O estudo avalia a CLDNet em dois conjuntos de dados:

1. Benchmark do Texas: Um conjunto de dados sintético e controlado com um domínio de 250.000 células (resolução de 30 m) e chuva espacialmente uniforme. Utilizado para isolar o efeito do condicionamento de terreno.
2. Estudo de Caso Des Plaines / Illinois: Um conjunto de dados realista, em escala metropolitana, com 4.188.840 células ativas (resolução de 30 m) impulsionado por 114 forçamentos de tempestade de chuva real do arquivo NCEP Stage IV (2002–2024).
   • Validação do Simulador: O simulador SynxFlow subjacente foi validado contra seis estações fluviométricas do USGS durante a inundação de registro de abril de 2013. Após recentralização da média para remover deslocamentos de datum, o simulador alcançou valores de Eficiência Nash–Sutcliffe (NSE) entre 0,57 e 0,94, estabelecendo-o como um alvo de referência confiável para o substituto.

4. Resultados Principais

• Ganhos de Precisão:
  • Benchmark do Texas: A CLDNet reduziu o erro quadrático médio relativo agregado de teste (rRMSE) de 31,09% (LDNet incondicional) para 14,44%. Ela superou as linhas de base VAE–ConvLSTM (32,04%) e FNO (18,10%).
  • Estudo de Caso Illinois: A CLDNet reduziu aproximadamente pela metade o erro da LDNet incondicional em trajetórias de teste retidas (rRMSE reduzido de 35,04% para 17,79%).
  • Extensão da Inundação: No limiar de inundação de 0,5 m, a CLDNet alcançou um Índice de Sucesso Crítico (CSI) de 86,04% no conjunto de dados de Illinois.
  • Desempenho nas Estações Fluviométricas: Nas estações do USGS, a CLDNet melhorou a média do NSE de 0,523 para 0,711 e reduziu o erro relativo de profundidade de pico pela metade (de 15,85% para 9,67%).
• Eficiência Computacional:
  • A CLDNet produz uma previsão completa de 96 horas com 4,2 milhões de células em ~29 segundos.
  • Isso representa uma aceleração de ~115× sobre o simulador SynxFlow (~55 minutos).
  • A aceleração permite fluxos de trabalho anteriormente inviáveis, como um conjunto de chuva de 1.000 membros (reduzindo o tempo de execução de ~38 dias para ~8 horas em uma única GPU).
• Escalabilidade:
  • Ao contrário das linhas de base de grade regular (VAE–ConvLSTM, FNO), que falharam em treinar no conjunto de dados de Illinois devido a restrições de memória (exigindo >1 TB de memória de GPU), a CLDNet treinou com sucesso em um nó com dual-GPU ao desacoplar a memória do tamanho da grade.
  • O modelo lida nativamente com a geometria irregular e não retangular da bacia hidrográfica do Des Plaines sem preenchimento ou mascaramento.

5. Significado e Alegações

O artigo posiciona a CLDNet não como um gêmeo digital operacional completo, mas como uma camada substituta hidrodinâmica rápida essencial para a construção de gêmeos digitais de inundações impulsionados por IA. Suas principais contribuições são:

1. Escalabilidade Metropolitana: Demonstrar que substitutos neurais podem escalar para >4 milhões de células ativas em hardware comercial via decodificação sem malha e ponto a ponto.
2. Condicionamento de Terreno: Provar que o condicionamento explícito em características de terreno estático (elevação, inclinação, rugosidade) é crítico para a precisão em escala regional, superando significativamente a dinâmica latente incondicional.
3. Interface Pronta para Observações: Fornecer um estado latente compacto e um operador de consulta sem malha que permite avaliação direta em coordenadas exatas de estações fluviométricas, estruturalmente habilitando a futura integração com algoritmos de assimilação de dados (por exemplo, filtros de pontuação de conjunto).
4. Viabilidade Operacional: Estabelecer que a aceleração de ~115× torna a previsão de conjunto e a triagem de cenários tratáveis na resolução metropolitana nativa, um pré-requisito para a gestão de inundações em tempo real acoplada a observações.

Os autores notam limitações, incluindo a atual falta de assimilação de observações online (posicionada como uma extensão futura) e o fato de que as previsões de vazão ($hu, hv$) permanecem menos precisas do que as previsões de profundidade da água, particularmente perto de interfaces úmido/seco. No entanto, o trabalho estabelece uma arquitetura fundamental para a próxima geração de sistemas operacionais de previsão de inundações.