基于图神经网络与地形感知边的无测站河流位置水位估计混合人工智能方法

《Advances in Water Resources》:Hybrid AI for estimating water levels at ungauged river locations via graph neural networks and terrain-aware edges

【字体: 大 中 小 】 时间:2026年03月06日 来源:Advances in Water Resources 4.1

编辑推荐:

  河流水位监测对于洪水风险管理、水资源规划和预警系统至关重要。然而,由于物流与资金约束,在大范围河流系统中部署高密度测站网络通常不可行,且现有站点还可能失效或仅能提供间歇性数据。该研究提出了HIGNN(Hydrological Interpolation bas

  
河流水位监测对于洪水风险管理、水资源规划和预警系统至关重要。然而,由于物流与资金约束,在大范围河流系统中部署高密度测站网络通常不可行,且现有站点还可能失效或仅能提供间歇性数据。该研究提出了HIGNN(Hydrological Interpolation based on Graph Neural Network,基于图神经网络的水文插值),这是一种基于图的框架,用于通过利用邻近遥测站信息与地形特征,估计虚拟传感器位置(即无测站点或观测缺失位置)的水位变化。在HIGNN中,节点表示观测站点、水道交汇点或虚拟站点,边表示水文连通性(例如上下游关系),并由高程剖面、坡度统计量和流向等地形属性加以表征。该模型采用消息传递(message passing)机制,在河网中传播水位变化信号,并通过具有物理意义的边属性进行调制。在全部水位变化分档中,HIGNN获得了最低的平均均方根误差(RMSE),优于基于插值与基于回归的基线方法。这些结果表明,HIGNN能够有效估计无测站位置或临时缺测位置的水位变化。
中文标题:基于图神经网络与地形感知边的无测站河流位置水位估计混合人工智能方法

该文发表于《Advances in Water Resources》,研究聚焦于无测站河流位置的水位变化估计问题。随着气候变化加剧,极端降雨事件更频繁,河流、运河与溪流更容易发生快速涨水与漫溢,因此高时空分辨率的水位监测对于洪灾预警、水资源调度和风险管理尤为关键。然而,在大范围河网中布设高密度实体遥测站存在硬件、供电、传输和维护成本高昂等现实限制,导致大量区域只能依赖稀疏测站网络。此外,现有传感器还可能出现供电故障、环境损伤、校准漂移、数据缺口和采样频率不一致等问题,进一步削弱了水位推断模型的稳健性与泛化能力。传统空间插值方法如反距离权重法(IDW)和普通克里金(OK)虽然应用广泛,但通常依赖平稳性或平滑性假设,难以充分表达河网拓扑、水文连通性、地形驱动各向异性及局地调控结构所引起的突变。针对这些不足,研究人员提出HIGNN(Hydrological Interpolation based on Graph Neural Network,基于图神经网络的水文插值)框架,以混合人工智能方式联合降水驱动、河网图结构、地形边特征与残差校正,实现无测站或暂时失监位置的水位变化估计。

在方法上,研究人员以比利时佛兰德斯(Flanders)395个测站的公开数据为基础,构建包含训练站和测试站的河网分析数据集,并结合1 m分辨率数字地形模型(DTM)与OpenStreetMap提取的河道宽度信息。研究首先将不同采样频率的水位序列统一对齐到1 h时间尺度,并按周切分为非重叠片段;随后利用Hampel滤波器对孤立尖峰进行鲁棒去噪,同时保留持续性水文变化。模型结构由降水编码多层感知机(MLP)、图神经网络(GNN)、门控循环单元(GRU)和残差插值模块组成。局部图以虚拟站为中心构建,节点包括目标站、邻近测站以及沿连接水道路径的交汇点,边则沿水道路径设置,并附加距离、位移向量、高程统计量、流向、端点高差和量化河宽等特征。GNN通过基于边属性的注意力消息传递进行空间信息混合,GRU负责时间维建模,最后再基于邻近测站残差进行学习式插值校正。

技术方法概括:研究基于佛兰德斯公开水位、降水与高分辨率DTM数据,构建以虚拟站为中心的局部河网图;使用MLP提取降水特征,采用带边属性注意力的GNN进行水文连通约束下的空间传播,并以GRU建模时间依赖;随后对基线预测残差进行基于空间关系特征的学习式插值,实现最终校正;实验中与IDW、OK、KED、OCK、NNGP及学习式加权MLP等方法进行系统比较,并开展消融、统计显著性与可插值子集分析。

以下按照原文结果部分的小标题进行解读。

4.4 水位分档下的性能分析
研究人员将测试样本按真实水位变化划分为低幅(0–0.3 m)、中幅(0.3–0.6 m)和高幅(0.6–1.2 m)三个区间,并比较不同方法的RMSE。结果表明,HIGNN在中高水位变化区间表现最优:在0.3–0.6 m区间,RMSE为0.2090;在0.6–1.2 m区间,RMSE为0.3649,均优于所有可部署基线。这说明当地形感知边特征、河网拓扑和时间建模共同引入后,模型更擅长处理涨水、峰值和快速波动过程。相比之下,在低变化区间,传统插值方法更具优势,说明小幅波动场景下简单空间平滑已可获得较高精度,复杂模型的能力尚未充分体现。研究还通过相对误差增益分析证实,HIGNN相对各类基线在中高变化区间均表现出稳定正增益,且在高变化区间增益最大。

4.5 水位预测的时间一致性
采用皮尔逊相关系数(Pearson correlation coefficient,ρ)评估预测序列与观测序列的时间一致性。所有方法的ρ均约为0.70–0.75,说明无论传统插值还是学习方法,大体都能跟踪主要时间变化趋势。NNGP表现最佳,ρ=0.7522;HIGNN为0.7040。该结果说明HIGNN虽然未在趋势相关性上取得最高值,但仍保持良好的时间结构一致性。结合分档RMSE可知,HIGNN更偏向于减少中高波动时期对幅值敏感的误差,而相关系数主要反映趋势对齐,因此二者并不完全一致。

4.6 误差差异的统计显著性
研究人员对各水位分档中HIGNN与各基线方法的逐样本平方误差进行了双侧配对t检验,并采用Holm方法进行多重检验校正。在中幅和高幅区间,HIGNN相对于IDW、OK、MLP、NNGP、KED和OCK的t统计量均为显著负值,表明其平均平方误差显著更低;在低幅区间,t值为正,说明传统方法显著优于HIGNN。该统计结论与RMSE分档分析完全一致,支持HIGNN在中高变化过程中的优势具有统计学稳健性。

4.7 可插值子集上的评估
研究进一步指出,并非所有虚拟站都具备足够的信息邻域用于有效插值。为此,研究人员利用“最佳可能加权平均上界”评估邻域可用性,并筛选满足|y?UB?y|≤0.1 m的样本组成“可插值子集”。在这一子集的高变化区间[0.6,1.2) m中,HIGNN的RMSE为0.1874 m,显著优于IDW、OK、KED、OCK、MLP和NNGP。结果说明,当邻近站点确实提供了较充分的信息时,HIGNN能更有效地利用河网感知的空间传播和时间上下文,从而在洪水相关的大变化场景下取得更明显优势。事件召回分析还表明,HIGNN对大幅变化事件的检测能力高于传统与学习基线。

4.8 计算时间
在Intel Core i7-8086K CPU环境下,HIGNN处理每个周片段的平均耗时为0.742 ms,快于IDW之外的大多数基线方法,也显著低于OK和NNGP等方法。这表明在当前设置中,图结构空间建模并未带来明显的计算负担,HIGNN在精度与效率之间取得了较优平衡,具备大规模或近实时部署潜力。

4.9 不同组成部分的消融研究
消融实验进一步揭示了各模块的独立贡献。完整模型V1在高变化区间取得最低RMSE(0.3649),说明MLP降水编码、GNN空间传播、GRU时序建模和残差学习式插值的联合设计最有效。将残差插值模块替换为IDW(V2)会导致显著退化,表明固定距离权重不足以表达复杂空间异质性;将GRU替换为MLP(V3)在高变化区间误差增加,说明递归时间建模对于事件演化捕捉至关重要;去除GNN仅保留MLP(V4)则整体性能明显下降,证明显式图空间传播是关键;去除地形边特征的HIGNN–NON(V5)也会在各区间,尤其高变化区间退化,说明高程统计及高差等地形属性对水文传播建模具有补充价值。在可插值子集的高变化区间,完整模型同样最好,进一步验证上述结论的稳健性。

讨论部分总结表明,HIGNN的主要优势集中于中高水位变化情形,此时准确刻画快速上涨、峰值大小和事件衰减过程对洪水监测最为重要。其改进来源于三方面协同:一是河网感知消息传递能够聚合水文相关邻站信息;二是GRU可处理延迟响应与事件演化;三是残差校正模块能学习超越距离启发式的空间误差传播规律。与此同时,研究也明确指出局限性:模型依赖地形与水道派生特征,若DEM误差、流向估计不确定或低地势区流向模糊,则可能影响边属性与注意力权重;当前图结构为静态图,尚不能表达季节性植被、水动力条件变化、泥沙输移和人为调控引起的时变连通性;对于受水库调度、泵站运行、闸门控制等人类活动强烈影响的站点,若输入变量中缺乏相应操作信号,模型误差仍会较大;此外,评估仅覆盖单一年份与单一研究区域,尚需在更长时间跨度及不同流域中验证迁移能力。

研究结论部分可译为:该研究提出了HIGNN,一种用于无测站点水位估计的时空学习框架。通过结合降水驱动特征提取、基于图的空间传播、残差插值以及通过GRU进行的时间细化,HIGNN将气象、水文与地形信息有效整合到统一架构中。与经典地统计学方法和机器学习基线的大量对比实验表明,HIGNN在中高水位区间具有更高精度,而这些区间恰恰是洪水监测与预警中最关键的动态波动阶段。消融实验进一步证实,残差插值与时间建模两个组成部分对性能提升均具有关键作用。运行时间分析则表明,HIGNN在准确性与计算效率之间具备良好平衡,适用于大规模或近实时部署。未来研究将探索融合更多环境指示因子、引入人为调控信号,并在更长时间尺度与更多样化流域中开展评估。总体而言,HIGNN提升了无测站区域水位估计能力,为更具韧性、更加数据驱动的水资源管理策略提供了支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号