一种基于图深度学习(Graph-Based Deep Learning)的中国山洪易发性(Flash Flood Susceptibility, FFS)逐日尺度时空建模方法

《Water Resources Research》:A Graph-Based Deep Learning Approach for Daily Flash Flood Susceptibility Modeling in China

【字体: 大 中 小 】 时间:2026年04月02日 来源:Water Resources Research 5

编辑推荐:

  摘要:山洪(Flash Flood)系由强降雨引发且因山区地形加速地表径流而骤然发生的洪水事件。为支持灾害减灾与管理,深度学习(Deep Learning, DL)模型已被广泛应用于山洪易发性(Flash Flood Susceptibility, FFS)建

  
摘要:山洪(Flash Flood)系由强降雨引发且因山区地形加速地表径流而骤然发生的洪水事件。为支持灾害减灾与管理,深度学习(Deep Learning, DL)模型已被广泛应用于山洪易发性(Flash Flood Susceptibility, FFS)建模。然而,传统DL模型忽略了年内时间变化(Intra-annual Temporal Variations)及相邻流域间空间相互作用(Spatial Interactions)。为此,本研究提出一种结合流域拓扑关系的基于图的DL模型(命名为LTG模型),用于中国范围内逐日尺度的时空FFS模拟。所提LTG模型主要集成三个组件:长短期记忆网络(Long Short-Term Memory, LSTM)、时序图卷积网络(Temporal Graph Convolutional Networks, TGCN)和图卷积网络(Graph Convolutional Network, GCN),分别用于捕获时间依赖性、时空交互作用及流域间空间依赖性。这使得LTG模型能够执行时空动态FFS模拟并融合流域拓扑信息。研究人员在中国开展演示应用,发现所提模型优于基线模型,受试者工作特征曲线下面积(Area Under the ROC Curve, AUC)达最高0.911,临界成功指数(Critical Success Index, CSI)为0.719。与年尺度建模相比,LTG模型生成的逐日尺度模拟展现出更强的季节变化捕捉能力,年内标准差显著达0.263。通过对沿河网FFS变化详细分析及设定偏置降雨情景,研究人员发现所提模型不仅考虑了河网空间聚类及上下游依赖关系,还通过利用邻近流域信息增强了推断能力。
论文解读:《A Graph-Based Deep Learning Approach for Daily Flash Flood Susceptibility Modeling in China》发表于《Water Resources Research》
一、研究背景与意义
山洪(Flash Flood)是中国造成人员伤亡和经济损失最主要的水文灾害,约占洪涝致死人数的70%以上。传统的山洪易发性(Flash Flood Susceptibility, FFS)建模多采用知识驱动、物理模型或常规机器学习/深度学习方法(如支持向量机SVM、多层感知机MLP、卷积神经网络CNN、长短期记忆网络LSTM)。然而,现有数据驱动模型多将各子流域(Catchment)视为独立单元进行静态或年仅尺度评估,存在两大缺陷:(1)忽视流域间通过河网形成的上游-下游拓扑连接关系及相邻流域水文依赖性;(2)无法反映触发因素(如降雨)随时间演变导致的FFS年内动态变化,即缺乏逐日(Daily Scale)时空耦合建模能力。针对此,研究人员提出LTG(LSTM-TGCN-GCN)图深度学习框架,引入HydroSHEDS数据库构建流域拓扑无向图,在全国73,543个Level-12子流域上实现1985–2015年逐日FFS动态模拟,填补了图结构嵌入与逐日时空FFS建模结合的空白。
二、主要关键技术方法
研究人员以全国73,543个HydroSHEDS Level-12子流域为制图单元(Mapping Unit),选取31项静态环境因子(地形、土壤、植被、土地利用等,土地覆被按优势类型取年际更新)及动态7日降雨序列(CHM_PRE 0.1°格点面平均加权)作为输入。山洪样本源自水利部全国山洪调查评估项目1985–2015年数字化记录(27,021起),负样本按六大地貌区分层空间抽样并施加15天同流域时间间隔约束及最小2mm七日累积雨量过滤。构建无向图G(V,E),邻接矩阵A表征直接水文连接,采用k-hop=1一阶邻域归一化连通矩阵。LTG模型架构为:双层LSTM编码中心节点降雨时序特征→时序图卷积网络(TGCN, 含GRU)捕获邻域时空降雨传播→单层GCN传播静态地理属性→三支路特征拼接后经全连接层与Sigmoid输出FFS概率。对照基线设为SVM与MLP(同等逐日输入),开展消融实验(剔除/组合LSTM/TGCN/GCN)及三种数据划分验证(随机/时间阻断/空间阻断),以命中率(Hit Rate, HR)、误报率(False Alarm Rate, FAR)、AUC及CSI为评价指标。
三、研究结果
4.1 模型性能分析(4.1 Model Performance Analysis)
通过遍历k-hop(0–7)确定最优为k-hop=1(AUC=0.911, CSI=0.719, HR=0.842),过大k-hop引入噪声降低精度。LTG全面优于SVM(AUC=0.882, CSI=0.611)与MLP(AUC=0.879, CSI=0.603)。消融实验表明:单独加入GCN(LSTM-GCN CSI=0.691)优于仅拼接静态因子的LSTM(sf)(CSI=0.683),证实图传播优于简单拼接;三者联合(LTG CSI=0.719)具最佳互补效应。在较严苛的时间阻断(AUC=0.905, CSI=0.715)与空间阻断(AUC=0.902, CSI=0.710)验证下模型仍保持稳健泛化能力。
4.2 FFS模拟评估(4.2 The Evaluation of FFS Simulation)
选取2006-07-15高事件日可视化对比,LTG模拟的高/极高易发区更精准覆盖实测山洪点,SVM与MLP出现漏判。独立验证8场外源山洪事件(2010–2020),6场落入极高风险区、2场落入高风险区,证明模型业务适用性。
4.3 逐日与年尺度模拟对比(4.3 Comparation of Daily-Scale and Yearly-Scale Simulations)
逐日LTG模拟全国FFS均值0.15低于年尺度SVM(0.33),避免年尺度因极端指标导致的系统性高估;逐日模拟FFS标准差SD=0.263(年尺度仅0.009),能清晰刻画受东亚季风影响的月际与季节波动(汛期6–8月高值),年尺度完全掩盖此动态。说明逐日建模对揭示FFS时间演化具不可替代价值。
4.4 考虑流域拓扑的有效性(4.4 Effectiveness of Considering Catchments Topology)
LTG(k-hop=1)上、下游FFS Pearson相关系数达0.94(LTG(k=0)仅0.84),Moran's I指数0.091(vs 0.016),表明引入拓扑后模型合理刻画了水文连通导致的洪涝空间依赖性。缺测降雨情景实验显示,LTG借助邻域信息推断可缓解精度衰减,而忽略拓扑的模型性能急剧下降。
四、讨论与结论总结
讨论指出LTG通过图重构流域拓扑并结合LSTM(时间)、TGCN(时空)、GCN(空间)结构化集成,克服传统FFS模型孤立处理子流域及时间静态局限;k-hop=1最优符合山洪局地触发特性;虽CSI未达极高值受限于历史灾情记录不完整及负样本时间标注双重不确定性,但空间阻断验证表明泛化良好。未来可融合分布式物理模型径流产汇流过程增强机理解释性。
结论:(1)LTG模型在全国逐日FFS模拟中表现最优(AUC=0.911, CSI=0.719, HR=0.842),外部独立事件验证可靠。(2)逐日尺度模拟标准差SD=0.263,显著高于年尺度,能有效捕捉季节与月际FFS周期变化。(3)引入流域拓扑使上下游FFS Pearson相关系数达0.94,模型能利用邻域信息改善缺测条件下推断能力,更符合真实水文依赖关系。若输入预报降水,LTG具备发展为动态山洪预警系统的潜力。
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