Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models

Resumo Técnico: Distribuição Conjunta de Escoamento de Montante em Modelos de ML Distribuídos

Definição do Problema
A transição de modelos hidrológicos probabilísticos agregados (em escala de bacia) para distribuídos (em escala de grade ou de bacia hidrográfica) introduz um desafio crítico e frequentemente negligenciado: o tratamento explícito da estrutura conjunta espacial da incerteza do escoamento. Embora métodos recentes de aprendizado de máquina (ML) generativo tenham avançado na previsão probabilística de vazão, eles permaneceram amplamente confinados a modelos agregados que preveem diretamente as saídas das bacias. Em contraste, modelos de Long Short-Term Memory (LSTM) determinísticos são cada vez mais aplicados em escalas distribuídas e roteados através de redes fluviais para produzir campos de vazão espacialmente contínuos.

O problema central identificado é que, na inferência distribuída, a vazão a jusante é a soma roteada do escoamento de muitas bacias de montante. Se os membros do ensemble de montante forem amostrados independentemente (correspondência aleatória), as incertezas locais tendem a se cancelar mutuamente à medida que se propagam a jusante. Esse efeito de "média" resulta em ensembles a jusante severamente subdispersos, excessivamente confiantes e incapazes de capturar a verdadeira amplitude dos resultados possíveis. Por outro lado, modelos agregados aprendem implicitamente a resposta hidrológica integrada e podem modular a dispersão com base nos atributos da bacia, mas carecem da consistência física e continuidade espacial dos sistemas distribuídos.

Metodologia
O estudo utiliza o Japanese Dataset for Distributed River Discharge Prediction (JP-DRDP), representando o Japão como um grafo de 793 bacias hidrográficas. Os autores empregam dois modelos probabilísticos de geração de escoamento treinados na escala da bacia:

1. Não paramétrico: Um LSTM condicionado por ruído, onde um vetor de ruído aleatório é anexado à entrada para gerar trajetórias distintas.
2. Paramétrico: Um LSTM de duas cabeças que emite uma média e um parâmetro de dispersão dinâmica, amostrando de uma distribuição log-normal.

Estes modelos são avaliados sob três configurações de inferência:

• Escala de Bacia Direta (Agregado): Serve como o limite superior de desempenho, prevendo a saída diretamente sem roteamento explícito.
• Distribuído com Amostragem Independente: O escoamento é gerado para cada bacia, e os membros do ensemble são combinados aleatoriamente através da rede (assumindo incertezas não correlacionadas).
• Distribuído com Amostragem Conjunta (Correspondência de Quantis): Os membros do ensemble são sincronizados selecionando o mesmo nível de probabilidade (quantil) em todas as bacias de montante antes do roteamento. Isso assume uma correlação espacial positiva perfeita no escoamento.

O escoamento gerado é roteado através de um esquema de roteamento Hayami usando o framework DiffRoute. O desempenho é avaliado pelo Continuous Ranked Probability Score (CRPS), Nash-Sutcliffe Efficiency (NSE) da média do ensemble, dispersão do ensemble e métricas de confiabilidade (índice alfa, cobertura de 90%).

Principais Contribuições

• Identificação de um Requisito Estrutural: O artigo argumenta que mover a previsão probabilística de modelos agregados para distribuídos exige a amostragem explícita da distribuição conjunta do escoamento de montante. A amostragem local independente é insuficiente e leva a um colapso na dispersão do ensemble a jusante.
• Diagnóstico de Estratégias de Amostragem: O estudo demonstra que a escolha da estratégia de amostragem espacial (aleatória vs. correspondência de quantis) tem um impacto profundo na habilidade probabilística, mas quase nenhum efeito na habilidade determinística (NSE).
• Quantificação da Dependência de Escala: Os autores mostram que a degradação causada pela amostragem independente intensifica-se com o número de bacias de montante e a resolução da malha, enquanto os benefícios da amostragem conjunta são mais pronunciados em bacias de escala intermediária.

Resultados

• Habilidade Probabilística vs. Habilidade Determinística: O NSE da média do ensemble permaneceu consistente (~0,84) em todas as configurações distribuídas, independentemente da estratégia de amostragem. No entanto, a habilidade probabilística (CRPS) degradou-se significativamente sob correspondência aleatória em comparação com a correspondência de quantis e o benchmark agregado.
• Colapso da Dispersão do Ensemble: A correspondência aleatória resultou em dispersões de ensemble menos da metade das dos modelos de correspondência de quantis. Essa subdispersão causou um declínio acentuado na confiabilidade, com o índice alfa caindo de 0,72 (quantis) para 0,44 (aleatório) e a cobertura de 90% caindo abaixo de 36%.
• Restauração via Correspondência de Quantis: A correspondência de quantis conseguiu restaurar a dispersão do ensemble para níveis comparáveis ao modelo de referência agregado, recuperando mais da metade da lacuna de habilidade probabilística. Em 36% das bacias, o modelo distribuído com correspondência de quantis superou o modelo agregado.
• Variabilidade Geográfica e de Escala:
  • Grandes Bacias (ex: Rio Kitakami, ~7700 km²): A correspondência aleatória causou um colapso total da dispersão, perdendo completamente os fluxos observados. A correspondência de quantis preservou a dispersão, mas introduziu superdispersão e viés, não atingindo a habilidade do modelo agregado devido à quebra da premissa de correlação perfeita através de redes heterogêneas de grande escala.
  • Pequenas Bacias (ex: Rio Hazama, ~58 km²): Com poucos medidores de montante, a penalidade para a amostragem independente foi mínima, e todos os métodos performaram de forma semelhante.
  • Padrões Regionais: A correspondência de quantis destacou-se no oeste e sul do Japão (menos medidores, mais próximos), mas teve desempenho inferior ao modelo agregado em Hokkaido e Yamagata, onde processos físicos como regulação de barragens e degelo (não capturados pelo módulo de roteamento) dominam a incividade.

Significância e Alegações
O artigo afirma que a transição para a hidrologia distribuída probabilística não pode ser alcançada simplesmente substituindo modelos determinísticos por probabilísticos; a estrutura conjunta espacial da incerteza deve ser gerenciada explicitamente. O estudo postula que, embora assumir uma correlação positiva perfeita (correspondência de quantis) seja uma heurística simples, é um passo diagnóstico necessário para provar que a estrutura conjunta importa.

Os autores concluem que a amostragem independente causa o colapso catastrófico da incerteza em grandes redes de roteamento, tornando as previsões distribuídas pouco confiáveis para a tomada de decisão. Embora a correspondência de quantis restaure grande parte da habilidade perdida, não é uma solução final para bacias grandes e heterogêneas onde a premissa de correlação perfeita falha. O artigo convoca a comunidade de ML hidrológica a ir além de estratégias de amostragem espacial ingênuas em direção a estruturas de correlação espacial dinâmicas e fisicamente informadas (ex: acoplamento de cópulas de ensemble ou modelos generativos espacialmente conscientes) para fornecer estimativas de incerteza contínuas e confiáveis para a tomada de decisão operacional.