Resumo Técnico: HydroAgent

Declaração do Problema

A calibração de modelos hidrológicos distribuídos é um gargalo crítico na gestão operacional de recursos hídricos, fundamentando tarefas que vão desde a previsão de cheias-relâmpago até a operação de reservatórios. Atualmente, esse processo depende de especialistas humanos em domínio que traduzem manualmente assinaturas de hidrogramas em ajustes de vetores de parâmetros de alta dimensão. Esse fluxo de trabalho não é escalável: requer horas a dias de atenção especializada por bacia, e o conhecimento adquirido em uma bacia hidrográfica não se transfere efetivamente para outra. À medida que as mudanças climáticas aceleram o ciclo hidrológico, a demanda por simulações precisas e específicas de cada bacia está crescendo mais rapidamente do que a oferta de hidrólogos treinados.

O artigo investiga se agentes de Modelos de Linguagem de Grande Porte (LLM) de ponta podem substituir modeladores hidrológicos humanos. Embora os agentes possuam a capacidade de raciocínio para ler dados, editar arquivos de controle e invocar simuladores, permanece incerto se eles podem realizar o refinamento iterativo e sustentado necessário para uma calibração eficaz.

Metodologia

1. Avaliação de Agentes de Ponta

Os autores estabeleceram uma linha de base avaliando nove agentes LLM de ponta (incluindo Claude Opus 4.6/4.7, Sonnet 4.6, variantes do GPT-5 e Gemini 2.5/3.1/3-flash) na calibração do modelo hidrológico distribuído CREST (Coupled Routing and Excess STorage).

• Ambiente: Os agentes operaram dentro de um sandbox Linux usando o simulador EF5 (Ensemble Framework For Flash Flood Forecasting).
• Tarefa: Os agentes receberam descritores de bacia, séries temporais de estações fluviométricas e forçantes raster. Seu objetivo foi ajustar 13 multiplicadores escalares (por exemplo, capacidade de água no solo, forma de infiltração, coeficientes de roteamento em canais) para maximizar a Eficiência de Nash–Sutcliffe (NSE) entre a vazão simulada e a observada.
• Restrições: Cada agente teve um orçamento fixo de computação de 20 rodadas (até 200 simulações) e um tempo limite de 2 horas. A avaliação cobriu quatro estações fluviométricas retidas, abrangendo diversas regiões hidroclimáticas e tamanhos de bacia (329–40.792 km²).

2. O Framework HydroAgent

Para abordar as limitações observadas nos agentes de ponta, os autores propõem o HydroAgent, um agente específico de domínio construído sobre o modelo de pesos abertos Qwen3-4B-Instruct. O treinamento segue uma receita de duas etapas:

• Etapa 1: Ajuste Fino Supervisionado (SFT):

  • O modelo base foi ajustado finamente em 2.576 trajetórias de calibração de especialistas destiladas de um professor proprietário mais forte (GPT-5).
  • Essas trajetórias preservaram a sequência iterativa completa de hipotetizar → simular → diagnosticar → ajustar, ensinando ao modelo a gramática de chamada de ferramentas e o raciocínio hidrológico básico (por exemplo, vincular um ramo de recessão íngreme a ajustes específicos de parâmetros).
  • Trajetórias com NSE final < 0,6 foram descartadas.

• Etapa 2: Aprendizado por Reforço com Feedback de Simulação (RLSF):

  • O modelo inicializado com SFT passou por aprendizado por reforço usando Otimização de Política Relativa a Grupo (GRPO).
  • Verificador: Diferentemente do RL com feedback humano, o sinal de recompensa veio diretamente do simulador CREST.
  • Estrutura de Recompensa: A função de recompensa combinou uma pontuação terminal (NSE limitado) com sinais de modelagem por turno. Crucialmente, incluiu bônus para conjuntos de parâmetros válidos, simulações bem-sucedidas e, mais importante, melhorias no NSE em relação aos turnos anteriores. Isso treinou explicitamente o agente a "iterar até que não possa mais melhorar", mimetizando o comportamento de especialistas humanos.
  • Infraestrutura: O treinamento utilizou 4× GPUs NVIDIA H100 com o framework verl e SGLang para execuções de múltiplos turnos.

Resultados Principais

Desempenho de Agentes de Ponta

• Teto de Desempenho: Os melhores agentes de ponta (Sonnet 4.6, Opus 4.7, Gemini 3-flash) alcançaram uma média de NSE das melhores de vinte rodadas na faixa de 0,65–0,75.
• Lacuna Humana: Apenas o Opus 4.7 atingiu a referência de especialista humano (NSE ≈ 0,85) em uma única estação de teste. A maioria dos modelos falhou em atingir consistentemente a faixa de desempenho "bom" (NSE > 0,70).
• Modos de Falha:
  1. Terminação Antecipada: Modelos de raciocínio de nível profissional frequentemente pararam após 1–2 rodadas, considerando o resultado "aceitável" apesar do orçamento restante.
  2. Propostas Fora dos Limites: Modelos mais fracos frequentemente sugeriram valores de parâmetros fisicamente impossíveis (por exemplo, área impermeável negativa).
  3. Incompatibilidade Diagnóstico-Ação: Os agentes frequentemente identificaram corretamente problemas no hidrograma (por exemplo, forma de recessão), mas propuseram ajustes nos parâmetros físicos errados (por exemplo, alterar o roteamento em vez da umidade do solo).

Desempenho do HydroAgent

• Melhoria de Métricas: O HydroAgent melhorou significativamente as métricas de calibração em todas as quatro bacias retidas em comparação com a base Qwen3-4B não ajustada.
  • NSE: Melhorou em +5% a mais de +200% (por exemplo, mudando de profundamente negativo para positivo na estação 01403060).
  • Correlação e Tempo: A correlação de vazão melhorou em até 41%, e os deslocamentos temporais reduziram-se significativamente.
• Insights de Ablação:
  • Apenas SFT: Surpreendentemente, os modelos apenas com SFT performaram pior do que a base não ajustada na maioria das estações. Eles aprenderam o formato da ferramenta, mas perderam o engajamento iterativo, frequentemente terminando após uma única tentativa.
  • Necessidade de RLSF: A adição de RLSF foi crítica. Restaurou o engajamento de longo horizonte, forçando o modelo a utilizar todo o orçamento de 50 turnos e refinar iterativamente os parâmetros com base no feedback do simulador.
  • Sinergia: A combinação de SFT (fornecendo vocabulário de domínio e gramática de ferramentas) e RLSF (fornecendo o incentivo para refinamento iterativo) foi necessária para fechar a lacuna com os modelos de ponta.

Significado e Alegações

O artigo argumenta que a lacuna entre LLMs de ponta e especialistas humanos na calibração hidrológica não é um problema de contagem de parâmetros, mas sim um problema de fundamentação de domínio.

1. Eficiência sobre Escala: Para tarefas de sistemas terrestres envolvendo simuladores físicos de baixo custo de avaliação, uma política pequena e ajustada ao domínio (4B parâmetros) combinada com RL com simulador no loop é um caminho mais eficiente em termos computacionais e fisicamente fiel do que escalar modelos genéricos de ponta.
2. O Papel de Dados Multimodais: A ciência dos sistemas terrestres oferece uma oportunidade única para agentes de IA devido à riqueza de dados multimodais (sensoriamento remoto, séries temporais in situ e narrativas de previsores). Um agente de domínio treinado para fundir esses dados com um solver físico pode gerar previsões controláveis e fisicamente consistentes.
3. Reprodutibilidade: Os autores fornecem uma receita completa para reproduzir o treinamento (SFT + GRPO) e a avaliação, incluindo o lançamento de 180 trajetórias de calibração (9 agentes × 20 rodadas) e configurações completas de treinamento.

Os autores concluem que, embora os agentes de ponta estejam a um passo de distância do desempenho humano, eles carecem da fundamentação específica para fechar a lacuna final. O HydroAgent demonstra que uma abordagem especializada e fundamentada em simulador pode reduzir substancialmente essa lacuna sem exigir modelos generalistas massivos.