《Water Resources Research》:A Spatiotemporal Pathformer-Based Deep Learning Framework for Watershed Flood Forecasting
编辑推荐:
本文提出了一种基于时空路径变换器(Pathformer)的深度学习框架,用于多步超前洪水预报。该模型通过双自注意力机制和自适应路径选择,有效捕捉水文气象变量间的复杂时空依赖关系,在极端洪水事件中显著减少系统偏差和时滞误差。在剑溪流域的案例研究中,模型在1至7步预报范围内表现出卓越的预测精度和稳定性,纳什效率系数(NSE)和体积效率(VE)分别较LSTM和Transformer模型提升3.0%–7.4%和3.4%–9.6%,均方根误差(RMSE)和平均绝对误差(MAE)降低18.4%–34.9%和17.5%–36.1。结合SHAP可解释性分析,模型增强了洪水预测的透明度和可靠性,为下一代洪水预报提供了先进解决方案。
引言
洪水是全球范围内对人类生命和基础设施构成重大威胁的自然灾害,每年约18.1亿人直接面临洪水风险。随着气候变化和人为压力加剧,洪水频率和强度持续增加,对准确可靠的洪水预报和早期预警系统提出了迫切需求。然而,传统的神经网络模型往往难以捕捉水文气象变量间复杂的时空依赖性,导致系统偏差和时滞误差,尤其在极端洪水事件中表现不佳。本研究聚焦于流域洪水,其受降雨-径流生成、汇流和洪水波在河网中传播的调控,与城市洪水或地表积水洪水具有不同的机制。
方法
模型框架设计
本研究提出了一种基于时空路径变换器(Pathformer)的深度学习框架,用于流域洪水多步超前预报。该框架通过时间切片分区、自适应路径选择和双注意力机制,动态适应洪水规模和持续时间,有效建模非线性降雨-径流关系和长程依赖。
时间切片分区:模型将时间序列数据在多个时间尺度(如1、3、7个时间步,对应3、9、21小时窗口)上分割为固定长度的批次,以捕捉不同时间范围的动态特征。短时间切片(1步)捕获即时降雨-径流响应,中时间切片(3步)反映流域汇流过程,长时间切片(7步)揭示全流域响应时间内的水文趋势。
自适应路径机制:针对极端洪水(>8,000 m3/s,>10年重现期)、大洪水(4,000–8,000 m3/s,2–10年重现期)和小到中洪水(<4,000 m3/s,<2年重现期),重新定义了路径表示。该机制通过傅里叶变换提取洪水持续时间特征,核函数表征洪水强度特征,实现洪水类型感知的特征提取。
双注意力机制:结合空间信息处理模块,将流域物理结构转化为基于图的约束和水文意义的空间权重。内部注意力(intra-attention)聚焦于局部流量关系,外部注意力(inter-attention)捕捉全局降雨影响,平衡局部流路结构和流域尺度空间组织。
模型训练与优化
训练过程包括数据准备、参数设置、优化和迭代计算。采用Z-score标准化处理数据,Xavier方法初始化参数。目标函数结合均方误差和正则化项,使用Adam优化器进行参数调优。损失函数采用平均绝对误差(MAE),增强对噪声和异常值的鲁棒性。
可解释性方法
应用SHapley可加解释(SHAP)分析模型预测的驱动因素。通过计算每个输入特征的Shapley值,量化其对于预测结果的贡献,增强模型的透明度和可信度。
研究区域与模型构建
研究区域为剑溪流域,位于中国福建省,面积14,787平方公里,属亚热带季风气候,年降水量1,800–2,200毫米。利用7个流量站和16个雨量站2005–2019年的3小时间隔数据,构建异构图结构,节点代表雨量站和流量站,边表示水文连通性。训练集包含60场洪水事件,其中8场为极端洪水,24场为大洪水,28场为小到中洪水。
模型输入为过去21小时(7个时间步)的降雨和流量数据,输出为汇流站未来3至21小时(t+1至t+7)的流量预报。基准模型包括LSTM和Transformer,参数规模分别为150万、180万和210万,确保架构对比的公平性。
结果
模型性能评估
时空Pathformer在测试集上显著优于LSTM和Transformer模型。在t+1至t+7预报范围内,NSE平均提高3.0%–7.4%,VE提高3.4%–9.6%,RMSE降低18.4%–34.9%,MAE降低17.5%–36.1%。随着预报时长增加,模型性能下降幅度较小,t+1至t+7的NSE仅下降11.1%,表现出优异的长期稳定性。
极端洪水事件验证
以2019年6月3日(单峰洪水,峰值8,302 m3/s)和2019年6月19日(多峰洪水,峰值10,745 m3/s)两场极端洪水为例,时空Pathformer在t+3、t+5和t+7的预报中均保持高精度。例如,在20190603事件t+3预报中,NSE达0.99,VE为95.0%,显著高于LSTM和Transformer。模型能够准确捕捉洪峰幅度和时间,减少时序误差。
可解释性分析
SHAP分析显示,出口站流量(QLJ)在所有预报时长中贡献最大,平均SHAP值在0.010–0.065之间。上游流量站(如JY、SJ、XC)和雨量站(如P8、P11)的重要性随预报时长变化:短时预报以流量特征为主,长时预报中降雨特征重要性增加。特征重要性排名与流域水文贡献一致,如JY站占出口流量的35%,其SHAP值始终居前。
讨论
时空Pathformer通过多尺度注意力和自适应路径机制,有效提升了洪水预报的准确性和稳定性。其优势在于同时捕捉局部和全局依赖关系,克服了LSTM在长序列预报中的误差累积和Transformer在局部特征提取上的不足。模型在极端洪水和多步超前预报中表现稳健,为洪水风险管理提供了可靠工具。
然而,模型在跨气候区和不同尺度流域的适用性仍需进一步验证。计算复杂度较高可能限制实时应用,未来需探索轻量化架构。数据质量依赖性强,需结合数据插补和不确定性量化方法提升鲁棒性。
结论
时空Pathformer作为一种先进的深度学习模型,通过创新的多尺度建模和双注意力机制,显著提升了流域洪水多步超前预报的精度和可靠性。在剑溪流域的案例中,模型在极端事件和长期预报中均优于传统方法,证实了其在洪水预报领域的应用潜力。未来工作应聚焦于模型扩展性、计算效率优化及物理机制融合,以推动其在全球洪水预报中的广泛应用。