Evaluating the Functional Realism of Deep Learning Rainfall-Runoff Models Using Catchment Hydrology Principles
Notice bibliographique
Résumé
We propose a hydrologic-specific Explainable AI (XAI) framework to extract nonlinear and nonstationary Impulse Response Functions (IRFs) used by Long Short-Term Memory (LSTM) models to simulate streamflow. IRFs reveal how LSTMs emulate streamflow generation and celerity propagation processes in response to impulses of precipitation (P), temperature (T), and potential-evapotranspiration (PET), enabling the evaluation of LSTMs' functional realism under short-term and long-term varying climate/weather conditions. Applying this framework to 672 catchments in USA and Canada, we found that while LSTMs achieve exceptionally high predictive accuracy, their extracted functionality often contradicts established hydrologic principles. Unexpectedly, the isolated effects of T or PET short-term variations on LSTM's simulated streamflow and celerity rate are often positive in direction. For example, in over 70% of raindominated catchments, particularly along the Pacific Coast, increased T within 1-14 days prior to streamflow events is associated with higher streamflow and celerity rates. Similarly, in the southeastern USA and California, LSTMs predict increased streamflow solely in response to PET rises. In snow-dominated catchments, particularly in the Rockies, LSTMs misinterpret PET (representing evaporation function) as a proxy for temperature, the primary snowmelt's driver. These behaviors, likely influenced by seasonality in dynamic inputs, data non-homogeneity, simplicity bias, and missing causal factors, undermine LSTMs' scientific reliability for streamflow forecasting and climate impact assessments. Our XAI framework integrates deep learning with hydrologic context through Differentiable modeling, providing a screening tool for the evaluation of hydrologic models' functional realism in short-and long-term forecasting, climate change studies, and generalization to ungauged basins.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».