《Journal of Hydrology: Regional Studies》:Improvements in groundwater level prediction using a graph data assimilation–based physics-informed neural network (Handan City, China)
编辑推荐:
研究区域:本研究聚焦于中国河北省邯郸市馆陶县,位于华北平原地下水超采区。研究重点:地下水水位预测对于缓解地下水超采和管理区域水资源具有重要意义。然而,大多数传统的深度学习方法属于数据驱动,缺乏对多井水力联系和地下水动力学约束的显式表征,导致在复杂的补给-开采条
研究区域:本研究聚焦于中国河北省邯郸市馆陶县,位于华北平原地下水超采区。研究重点:地下水水位预测对于缓解地下水超采和管理区域水资源具有重要意义。然而,大多数传统的深度学习方法属于数据驱动,缺乏对多井水力联系和地下水动力学约束的显式表征,导致在复杂的补给-开采条件下泛化能力有限且物理一致性不足。为解决该问题,本研究提出了一种集成图数据同化和离散物理更新机制的物理信息神经网络(PINN-GDA)。采用“序列编码–图传播–物理更新–目标回归”架构,将多井观测地下水水位、气象驱动因子和开采量共同纳入统一的深度网络框架。新的水文学见解:综合结果表明,相对于基线和消融模型,PINN-GDA模型分别降低了均方根误差(RMSE)23.5%、36.2%、22.1%和20.2%,并减少了偏差(Bias)92.1%、93.3%、88.1%和87.5%。此外,在低、中、高水位阶段,PINN-GDA始终保持较低的中位误差和更强的稳定性,其性能提升主要归因于物理约束和图同化机制的协同效应。这些发现强调,通过将受地下水动力学启发的物理引导正则化与井间空间结构相耦合,PINN-GDA实现了更高的预测精度。
论文解读:《基于图数据同化和物理信息神经网络的地下水水位预测改进》
研究背景与意义
地下水作为许多地区的战略性水资源,在保障城乡供水安全、支持农业灌溉、维持生态系统及减轻自然灾害方面发挥着基础作用。在气候变化、降水时空异常、高强度地下水开采以及地表-地下水耦合过程的共同影响下,许多地区出现了长期的地下水水位下降、降落漏斗扩大和生态退化。准确预测地下水水位演变对于设定合理的开采限制、优化供水分配、评估极端事件下的水资源风险以及支持地下水生态保护具有重要价值。传统方法通常构建物理概念或数值模型来刻画水文地质过程,但所需的大量数据和参数、物理属性及边界条件的设定暴露了一系列局限性。近年来,循环神经网络(RNN)、长短期记忆(LSTM)网络、门控循环单元(GRU)、一维卷积神经网络(1D-CNN)以及结合CNN–LSTM、注意力机制和Transformer结构的混合架构已广泛应用于地下水水位等水文变量的时间序列预测。然而,实际含水层系统中单井地下水水位演化并非孤立过程,而是区域内多井共同影响的结果。现有许多研究往往将每口井视为独立时间序列,忽略了井间空间相关结构的影响。图神经网络(GNN)被引入地下水领域以处理非规则空间结构的井网,时空图神经网络(ST-GNN/STGCN)通过结合图卷积网络(GCN)和LSTM进行联合时空特征建模,显著提升了预测能力。但在多井联合开采、季节性集中农业灌溉用水和复杂补排模式下,井群行为对目标井地下水水位的物理控制作用可能被低估。纯粹的数据驱动模型在学习非线性关系方面虽有优势,但其性能强烈依赖训练样本规模,且在观测缺失、记录较短或未来强迫条件超出训练数据范围时,易出现外推能力不足、相位滞后、峰值偏差和物理不一致性。此外,此类网络通常难以强制执行质量守恒等基本水文学原理,导致预测缺乏物理可解释性。物理信息神经网络(PINN)被提出将控制方程约束显式纳入深度学习框架,但在观测稀疏、边界和源汇信息不完整的情况下,以连续方程残差作为主要约束的传统路径面临挑战。因此,研究人员以河北省邯郸市馆陶县地下水超采区为例,提出了一种融合图数据同化和受地下水动力学启发的物理引导正则化的改进地下水水位预测方法,并开发了PINN-GDA模型,旨在耦合数据驱动预测与物理驱动的地下水动力学,系统评估图数据同化和物理启发约束对预测性能和稳定性的贡献。该论文发表在《Journal of Hydrology: Regional Studies》。
主要关键技术方法
研究人员使用馆陶县2018年至2022年共1826个每日时间步的浅层地下水监测井水位数据、5项气象变量(降水、2米平均气温、相对湿度、地表气压和潜在蒸散发)以及农业灌溉开采量。Pearson相关系数用于分析特征间的统计关系。为提取鲁棒的时间表示,引入了去噪自编码器(DAE)对时间编码器进行自监督预训练。在模型构建上,采用K近邻(KNN)算法基于欧氏距离构建井间图结构,以表征空间相关性。核心模型PINN-GDA采用“序列编码–图传播–物理更新–目标回归”架构:首先通过LSTM提取单井时间特征,随后在KNN图上执行图注意力传播(GAT)以聚合邻域信息,并设计了一个离散物理更新模块,结合了图拉普拉斯平滑正则化(一种软约束)和一步显式扩散–反应更新(一种嵌入约束),以编码扩散式传播和源汇效应的物理先验。模型参数通过AdamW优化器进行端到端训练,损失函数由数据同化项、图拉普拉斯惩罚、权重衰减和DAE重建项组成。
研究结果
- 1.
Introduction
引言部分指出地下水水位预测的重要性及传统物理模型与数据驱动模型的局限,强调单井独立预测的不足以及图神经网络和物理信息神经网络的应用潜力,进而提出本研究的目标:开发一个耦合图数据同化与离散物理更新机制的PINN-GDA模型,以提高复杂农业灌区的预测精度和物理一致性。
- 2.
Study area and data processing
研究区域为馆陶县,属暖温带半湿润大陆性季风气候,地形平坦,发育多层含水层–弱透水层组合,是华北平原地下水超采核心区。数据涵盖2018–2022年的日尺度地下水水位、气象和开采量。Pearson相关分析证实了所选输入特征与地下水水位之间存在明确的物理联系和统计相关性。针对异常值进行了插补校正。DAE提取的二维嵌入特征表明,多井多变量日序列可被压缩为稳定且可分离的低维表示,为后续图构建提供了合理先验。
- 3.
Methodology
3.1 Long Short-Term Memory Neural Network (LSTM)
LSTM通过遗忘门和更新门调节梯度,有效处理长距离时间依赖,适用于学习地下水水位的长时序变化。
3.2. K-nearest neighbors algorithm
采用欧氏距离度量监测井时间序列相似性,选取k个最近邻构建图结构,以量化井间空间关联。
3.3. Physics-Informed Neural Networks (PINNs)
PINN将控制偏微分方程及其初始边界条件作为损失项嵌入网络,使预测在满足数据拟合的同时遵循物理规律。
3.4. Construction of the PINN-GDA Model
3.4.1. Graph laplacian smoothing regularization
在KNN图上定义无向图拉普拉斯矩阵,对预测水位增量施加平滑正则化,抑制不合理的空间振荡。
3.4.2. One-step explicit diffusion–reaction update
在正向传播中注入一步显式欧拉更新,结合邻域均值(扩散)和源汇项(开采/补给)对节点表示进行物理校正,其中扩散强度D=T/S、源汇项U=R/S的参数T、S、R设为可学习的非负参数。
3.4.3. Data assimilation and total loss
联合目标函数以数据同化损失为主项,辅以拉普拉斯正则化项和权重衰减,实现观测可达性与物理合理性的统一。
3.4.4. Training of the PINN-GDA Model
模型采用双向LSTM处理目标井上下文特征,与图传播输出拼接后回归预测。通过多随机种子实验,有效参数D和U在训练早期完成主要调整并保持稳定(D=0.3995±0.0436,U=3.8339±0.0986),训练损失收敛无发散。
3.4.5. PINN-GDA model configuration
物理参数作为集总有效参数而非严格原位水文地质参数,通过Softplus约束非负性,并在损失中加入基于拉普拉斯项的物理正则化,平衡机理可解释性与预测精度。
- 4.
Results
4.1. Selection of the K value
通过验证集RMSE比较不同邻居数k,确定k=6时验证误差最小(0.040673),对应7口井参与空间聚合,表明该邻域大小能最优捕捉井间水力联系且避免远距离噪声。
4.2. Prediction results
测试集上PINN-GDA取得最佳性能:RMSE为0.0339,NSE为0.9989,KGE为0.9951,Bias仅为0.0024。相比UniLSTM和MultiLSTM,RMSE分别降低23.5%和36.2%;相比消融模型P-LSTM和G-LSTM,RMSE分别降低22.1%和20.2%,偏差也更接近零。结果表明同时集成物理约束和图同化能产生协同增益。
- 5.
Discussion
5.1. Adaptability of the PINN-GDA Model
残差和绝对误差的分布分析显示,PINN-GDA的残差箱更紧凑且中位数更接近0,绝对误差分布更低更集中,说明其系统性偏差更小、稳健性更强。相比之下,基线模型易出现正偏差、误差分散和长尾,验证了物理约束和结构正则化的优势。
5.2. Prospects and significance of the PINN-GDA Model
尽管数据驱动模型在历史期内拟合良好,但PINN-GDA在应对分布外情景(如开采强度变化、极端降雨)时因嵌入物理规律而更可靠。图数据同化显式纳入邻井观测,为井群联合模拟和管理情景分析提供了基础。但研究也指出五年数据跨度有限,长期泛化能力需进一步验证。
5.3. Model performance across different groundwater-level stages
按水位分位数将测试集分为低(≤Q50)、中(Q50–Q90)、高(≥Q90)三个阶段。小提琴图表明,在所有阶段PINN-GDA的绝对误差中位数更低、范围更窄,残差近似对称分布于零附近;而UniLSTM在中高水位阶段呈现正偏态,易高估水位且误差发散。这证明PINN-GDA在不同水文状态下均具有更强的鲁棒性和物理一致性。
- 6.
Conclusion
结论部分翻译如下:
在本研究中,开发了一种基于图数据同化的物理信息神经网络(PINN-GDA),并与UniLSTM和MultiLSTM基线模型以及P-LSTM和G-LSTM消融模型进行了全面比较,旨在探索在多井影响下联合建模数据驱动学习和物理约束以改进地下水水位预测的可行性和优势。主要结论如下:
(1) 在日尺度上,提出的PINN-GDA模型采用集成的“时间编码–图传播–物理更新–目标回归”框架,将多源驱动因子(气象变量和地下水开采量)和多井地下水水位时间序列嵌入统一的深度网络。首先使用去噪自编码器(DAE)预训练鲁棒的时间特征,并引入KNN图来表征井间水力联系。然后通过图拉普拉斯正则化和一步显式扩散–反应更新的结合,对地下水扩散和源汇过程进行软约束和内部校正。以此方式,物理机制和数据同化有机耦合,为含水层属性信息不完整条件下的可解释地下水水位预测提供了新途径。
(2) PINN-GDA模型在测试集上取得的整体预测性能优于其他基线和消融模型。这些优势源于物理约束施加的结构正则化以及通过邻井数据同化捕获的区域水动力响应,从而在一定程度上抑制了系统性偏差并提高了预测稳定性。相比之下,一些对比模型更容易表现出正残差偏差、误差分散和更长的分布尾,表明在地下水水位变化复杂的阶段稳健性相对不足。分阶段水位分析进一步表明,该模型在低、中、高水位情景下均能保持较低的中位误差和更稳定的性能,而UniLSTM随水位变化更易产生系统性偏差。这些结果证明PINN-GDA在复杂驱动条件下更为稳健。
(3) PINN-GDA通过将受地下水动力学启发的物理引导正则化与井间空间结构相耦合,实现了更高的预测精度。在未来物理信息神经网络研究中,仍有若干问题值得探索,例如研究更多的图结构,比较地理距离图、水文地质分区图和基于连通性的图,以及考察多层含水层系统间的渗流影响。