引言
在复杂的冲积河流中，水位—流量关系是河流监测与流量估算的基础（Herschy, 1997, Nolan et al., 2005）。这种关系不仅是一条技术换算曲线，它还整合了气候变率、河床形态、水沙相互作用、水力控制及人为调度的综合效应（Mansanarez et al., 2016, Zheng et al., 2017）。在受持续冲刷—淤积调整、回水效应、植被演替或工程干预影响的河段，水位—流量关系往往具有时间变异性，而非唯一稳定（Dasgupta et al., 2025, Fu et al., 2025, Guerrero et al., 2012, Morlot et al., 2014）。在这种条件下，这种非平稳性不仅仅是一个率定曲线问题；它改变了水位和流量的水文学意义，使得相同的水位或流量值在不同时间可能代表不同的流态、河道输水能力与洪水风险状态。
相关研究主要利用率定曲线平移、变化点检测、不确定性分析或综合水文指标来刻画此类非平稳性（Darienzo et al., 2021, Kumar and Sen, 2024, Perret et al., 2021, Reitan, 2011, Shao et al., 2018, Su et al., 2017, Zhong et al., 2024）。这些方法有效支持了水位或流量估算、水位—流量关系的时间追踪、不确定性量化，以及非线性或滞后行为的表征。然而，它们的主要目标与本研究不同：大多数方法聚焦于估算流量或描述时变函数关系，而非判定多十年配对水位—流量记录是否以有限集合的年转变结构形式重现。这个问题在受控河流的下游控制站尤为重要，因为这些站点的河道调整、水沙供给改变、水库调度及下游边界效应共同塑造了水位—流量动态（Du et al., 2024, Elmi et al., 2021, Elmi et al., 2024, Kong et al., 2023, Tu et al., 2025）。其耦合时间演化可能包含重复的结构类型、持续之年态以及阶段性情态转变，但这种可能性从年度结构组织角度很少被审视。
从受控下游控制站监测的角度来看，一个关键的未解决问题是：水位—流量关系是以有限集合的结构情态形式重现，还是在固定观测期内连续漂移。这一区别至关重要：一个分类框架可以将高维年度过程组织简化为可比较的情态单元，揭示时间上的重复状态结构，并支持情态持续、转变与重组的检测（Harris et al., 2000, Xu et al., 2024）。在这种意义上，分类不仅是一个技术性的模式识别步骤，更是将非平稳性分析从描述性解释推进到物理可解释状态诊断的必要前提。早期利用非线性方法对河流径流记录的分析表明，看似不规则的流量记录可能嵌入一个低维确定性组分，暗示径流行为保留了线性统计方法无法捕捉的隐藏动态结构（Porporato and Ridolfi, 1997）。
时间序列成像技术，如递归图、Gramian角度场（GAF）和马尔可夫转移场（MTF），可以将一维序列转换为保留时间依赖性并突出过程组织的二维状态转移场（Wang and Oates, 2015, Zhao et al., 2022）。机器学习模型（Wolfs and Willems, 2014），尤其是卷积神经网络（Chen et al., 2025），随后可以从这类图像中提取局部与高阶结构特征（Wang et al., 2024b），而聚类可以在无预定义标签的情况下识别典型模式（Hu et al., 2025）。对于时变水位—流量关系，这种组合实现了从静态曲线拟合向基于结构的分类转变。然而，纯基于图像的相似性度量可能仍不足以支撑水文学解释，因为强大的分类性能并不保证物理上有意义的水力学一致性。模型可能捕捉到视觉上自洽但水力上虚假的模式（Jiang et al., 2024），因为从数据中学到的表面相似性并不一定反映底层数据生成过程的相似性（Feng et al., 2023）。对洪水回环曲线的经典分析表明，水位—流量结构不仅由峰值量级、涨落方向及变化速率控制（Domanski et al., 2025, Ma et al., 2020, Muste et al., 2025, Perret et al., 2022），还受滞后效应影响，后者反映了洪水季节中跨洪水事件的路径依赖性与系统记忆特性（Muste and Hoitink, 2017, Muste et al., 2020）。这意味着年结构分类应理想地整合转变图像组织与过程级水力学信息。因此，结合统计表征学习与物理可解释引导嵌入的框架，可能比仅依赖原始图像或低维综合指标的方法，为识别重复出现的年水位—流量情态提供更具有物理可解释性的基础。
为检验这些思想，我们以利津水文站的水位和流量记录为观测基础，提出三个具体问题：（1）在这个受控下游站，年水位—流量动态是否以有限集合的结构状态形式重现，而非随时间连续漂移？（2）哪些年内的转变窗口和水力学特征可以区分这些状态？（3）所识别的情态及其观测到的转变倾向对未来结构监测有何潜在启示？为回答这些问题，我们开发了一个物理引导（PG）结构诊断框架，该框架整合了马尔可夫转移场编码、双分支卷积表征学习与基于导数的物理引导编码。
