Expliquer le Mécanisme des Événements de Sécheresse des Eaux Souterraines à Multiscale : Une Nouvelle Perspective Issue d'un Modèle d'Apprentissage Profond Interprétable

Résumé Cette étude présente une nouvelle approche pour comprendre les causes des événements de sécheresse des eaux souterraines à l'aide de modèles d'apprentissage profond (DL) interprétables. Comme prérequis, des modèles de mémoire à long terme et à court terme (LSTM) précis pour simuler les eaux souterraines sont construits pour 16 régions représentant trois types d'échelles spatiales dans le sud-est des États-Unis, et un indice de sécheresse des eaux souterraines standardisé est appliqué pour identifier 233 événements de sécheresse des eaux souterraines. Deux méthodes d'interprétation, les gradients attendus (EG) et la décomposition additive (AD), sont adoptées pour déchiffrer les motifs capturés par le DL et le fonctionnement interne des réseaux LSTM. Les résultats de l'EG montrent que : (a) les caractéristiques liées à la température étaient les principaux moteurs des sécheresses des eaux souterraines à grande échelle, leur importance augmentant de 56,1 % à 63,1 % à mesure que les événements de sécheresse se rapprochaient de 6 mois à 15 jours. En revanche, les caractéristiques liées aux précipitations étaient les facteurs dominants dans la formation de sécheresse des eaux souterraines dans les bassins à petite échelle, avec une importance globale variant de 59,8 % à 53,3 % ; (b) Les variations saisonnières dans l'importance des facteurs liés à la température sont inversement liées entre les grandes et les petites échelles spatiales, étant plus significatives en été pour les grandes régions et en hiver pour les bassins ; et (c) Les facteurs liés à la température ont montré un « effet déclencheur » global sur la survenance d'événements de sécheresse des eaux souterraines dans les zones étudiées. La méthode AD a révélé comment le réseau LSTM se comportait différemment en retenant et en rejetant des informations lors de l'émulation de différentes sécheresses des eaux souterraines. En résumé, cette étude fournit une nouvelle perspective sur les causes des événements de sécheresse des eaux souterraines et met en évidence le potentiel et les perspectives de l'apprentissage profond interprétable pour améliorer notre compréhension des processus hydrologiques.