Evaluating the Functional Realism of Deep Learning Rainfall‐Runoff Models Using Catchment Hydrology Principles
Notice bibliographique
Résumé
Abstract Deep learning (DL) models such as Long‐Short‐Term‐Memory (LSTM) networks have achieved exceptional predictive accuracy in rainfall–runoff modeling. Yet these models learn from statistical correlations rather than hydrologic insights, raising the question of whether their internal functional reasoning is physically reliable. Despite previous studies highlighting unexpected outcomes from LSTMs under long‐term climate shifts, functional realism—defined as the extent to which a model's internal functioning aligns with defensible mechanisms of streamflow generation—remains largely underexplored. We introduce a hydrology‐specific Explainable AI (XAI) framework that opens the black‐box of LSTM. It extracts nonlinear, lag‐dependent, and time‐varying Impulse Response Functions (IRFs) which quantify the functional relationships that LSTM uses to reflect the isolated influence of precipitation ( P ), temperature ( T ), and potential evapotranspiration ( PET ) on simulated streamflow. IRFs reveal how LSTMs internalize streamflow generation during events, offering a catchment hydrology perspective for evaluating model realism. Applying this framework to 672 North American catchments with strong LSTM predictive skill, we find that high accuracy often masks hydrologically implausible reasoning: in over 70% of rain‐dominated basins, short‐term temperature rises unexpectedly raise simulated streamflow and enhance celerity rate even without rainfall; in snow‐dominated regions, PET is misattributed as a driver of snowmelt‐related flow and enhances the catchment's celerity rate. We conclude that correlation‐driven learning can compromise the robustness of LSTM‐based forecasts under weather extremes and short‐term and long‐term climatic shifts. Our framework bridges deep learning with hydrologic understanding and offers a scalable diagnostic for assessing the functional realism of DL models across diverse catchment types.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 ».