《Journal of Hydrology: Regional Studies》:Spatiotemporal time series graph modeling method research based on the fusion of time–frequency domain analysis and deep learning: A case study of groundwater depth prediction in the Heihe River Basin, China
编辑推荐:
研究区域:本研究聚焦于中国甘肃省的黑河流域(张掖绿洲)。研究焦点:本研究提出了一种小波辅助的时空混合深度学习框架(W-GAT-RNN-BiLSTM),用于多站点月尺度地下水埋深预测。在建模之前,对缺失值进行插补,并剔除异常值,同时应用小波去噪以抑制高频噪声。基
研究区域:本研究聚焦于中国甘肃省的黑河流域(张掖绿洲)。研究焦点:本研究提出了一种小波辅助的时空混合深度学习框架(W-GAT-RNN-BiLSTM),用于多站点月尺度地下水埋深预测。在建模之前,对缺失值进行插补,并剔除异常值,同时应用小波去噪以抑制高频噪声。基于站间距离构建图结构,并采用图注意力网络(GAT)自适应学习监测站点间的空间表征。这些空间特征随后与基于BiLSTM的循环神经网络(RNN)时序模块融合,以捕捉短期和长期动态。该框架使用两个数据集进行评估:(1)来自35个站点(筛选后保留34口井,2003–2019年)的观测地下水埋深时间序列;(2)来自约100个站点(保留98个,2003–2013年)的较密集网络模拟地下水埋深时间序列。模型性能通过与多个基线模型对比,使用确定性指标(R2、RMSE、MAE、NSE)和概率性指标(CRPS、PICP、PINAW)进行评估。新的水文见解:结果表明,显式学习站间依赖性持续提高了预测精度,并产生了更可靠的不确定性区间,尤其对于密集采样站点网络。特征重要性分析进一步识别了关键站点,为监测优化和区域地下水管理提供了宝贵指导。
地下水是干旱半干旱地区的主要水源,但21世纪以来,许多含水层的地下水位显著下降,亟需具备预警能力的预测与风险评估框架。地下水埋深预测面临两大挑战:一是气候变化与含水层开发导致时间序列呈现非平稳性与多尺度波动,统计特性随时间变化,趋势、周期和突变叠加增加了预测难度;二是空间依赖性不仅受监测井距离影响,还受水文连通性和共同环境条件制约,非均匀井网和强人类扰动下,固定邻接关系难以稳定反映真实空间依赖,限制了多站预测的泛化能力。黑河流域位于中国西北干旱区,具有“上游寒区冰冻圈—中游绿洲农业—下游荒漠生态”的典型特征,人水竞争激烈、地表-地下水耦合强烈,是评估建模方法应对地下水多尺度非平稳性和空间异质性的理想区域。现有研究多基于单时间尺度或静态参数,性能不佳;深度学习模型虽具非线性拟合能力,但缺乏对站间依赖的显式建模,且时频分解与空间自适应加权尚未在统一框架内联合优化。为此,研究人员提出了一种融合小波时频表示与图注意力网络(GAT)自适应邻域加权、并结合时序模块的W-GAT-RNN-BiLSTM时空混合模型,以实现多井联合预测,增强干旱区地下水风险预警能力。该研究发表于《Journal of Hydrology: Regional Studies》。
研究人员开展研究时,主要采用了以下关键技术方法:小波去噪(基于离散小波变换DWT,选用sym8小波基,硬阈值函数)用于抑制高频噪声并提取多尺度特征;图注意力网络(GAT)基于站间距离构建加权邻接矩阵,通过注意力机制自适应学习邻域权重,获得空间嵌入;混合时序模块由循环神经网络(RNN)捕捉短期动态,双向长短期记忆网络(BiLSTM)建模双向长程依赖,经全连接层融合时空分支输出。模型评估使用了两个数据集:实验1为甘肃省武威水文水资源勘测中心提供的35个监测站(筛选后34站)2003–2019年月尺度观测数据;实验2为国家青藏高原数据中心黑河流域高分辨率地下水埋深数据集(CLM_LTF模型模拟)中约100个站点(保留98站)2003–2013年月尺度数据。通过置换特征重要性(PFI)分析量化各输入站点贡献。
研究结果如下:
**4.1 异常值检测**:采用主成分分析(PCA)与孤立森林(iForest)联合方法识别异常站点。PCA保留前两个主成分(实验1累积解释方差99.36%,实验2为99.95%),以Z-score>3为阈值;iForest设置100棵孤立树、污染率0.1。两种方法判定一致:实验1中站点16被识别为异常,实验2中站点42和46被识别为异常,后续建模中剔除。
**4.2 小波去噪**:对比db4和sym8两种小波基,在实验1中,sym8在32个站点(94.12%)信噪比(SNR)更优,平均RMSE为0.2347、平均R
2为0.9993,均优于db4(RMSE 0.2944,R
2 0.9990),故选用sym8。实验2数据为模拟产品,噪声水平低,小波去噪未带来稳定改善,因此直接使用原序列。
**4.3 图结构转换**:基于站间欧氏距离,通过k近邻(k=6)构建无向图,采用高斯核函数(RBF)计算地理相似权重,并裁剪最低20%弱边以提高稀疏性。在训练子图上,GAT输出注意力系数经均值与对称化后归一化,用于增强地理权重。通过最小生成树(MST)添加桥边确保全图连通。结果揭示密集核心与走廊式强边结构,高连通节点多位于站密集或地下水过程相似区域,可作为信息传播枢纽。
**4.4 深度学习模型结果对比**:在实验1中,W-GAT-RNN-BiLSTM取得最优性能(R
2=0.7813,RMSE=0.0935,MAE=0.0404,NSE=0.8185,CRPS=0.0431,PINAW(90%)=0.2233,PINAW(95%)=0.3780),优于单循环结构、混合时序及未引入小波/GAT的模型。在实验2中,GAT-RNN-BiLSTM(因未使用小波去噪)最优(R
2=0.8556,RMSE=0.0907,MAE=0.0488,NSE=0.8992,CRPS=0.0409,PINAW(90%)=0.1957,PINAW(95%)=0.2740)。所有模型概率预测覆盖与名义置信度一致(PICP接近90%和95%),而W-GAT-RNN-BiLSTM在保持覆盖的同时获得更窄的预测区间。PFI分析显示,实验1中所有24个训练站均有显著正贡献,其中站点4、17、1、7误差敏感性最高;实验2中69站显著正贡献,7站不显著,表明GAT能整合跨站互补信息。
**4.5 模型优势与局限性**:优势方面,时间-频率融合降噪(W)减弱高频噪声干扰,突出趋势与季节成分;图注意力空间建模(GAT)自适应加权聚合邻域信息,提取跨站协变信号;混合时序结构(RNN-BiLSTM)兼顾短期依赖与长程记忆,提升周期性拟合鲁棒性。局限性包括:未引入降水、蒸散发等外部驱动因子,导致对骤变过程振幅低估;空间特征仅基于经纬度,未包含高程、地形、含水层参数等;不确定性构建基于残差分位数,经验性较强,模型间PICP差异有限。
讨论部分指出,未来工作可集成气象与人类活动因子、引入更多空间属性(如水文连通性约束)、采用轻量化与不确定性建模(如分位数回归)以增强对突变和极端事件的描述能力。研究结论翻译如下:本研究提出了一种时空深度学习模型W-GAT-RNN-BiLSTM用于地下水埋深预测,并在黑河流域两个月尺度数据集上验证。(1)时频融合可提高非平稳序列的可预测性:小波分解与去噪降低了高频扰动对训练的影响,突出趋势和周期成分,使预测误差稳定下降(如W-RNN-BiLSTM较未去噪版本RMSE降低、R
2提升)。(2)引入GAT空间建模显著提升了跨站预测性能:相比于仅依赖单站历史序列的时序模型,GAT通过注意力机制自适应聚合邻域信息,学习跨站协变信号并表征空间异质性,进一步降低预测误差;两个数据集的结果均表明,图注意力结构的空间融合在不同站网密度和序列形态下均实现稳定提升;PFI结果暗示GAT能整合更丰富的空间互补信息以增强预测鲁棒性。(3)所提模型兼顾了点预测精度与概率预测质量:CRPS、PICP和PINAW不确定性评估显示,模型在保持与名义置信度一致的覆盖率(PICP接近90%和95%)的同时,获得更低的CRPS和更窄的PINAW,有利于地下水阈值预警与风险决策应用。综上,W-GAT-RNN-BiLSTM有效整合了时频信息、时间依赖与空间关联,在不同数据集上实现稳定性能提升,但仍受限于缺乏外部驱动与空间属性简化等因素,后续研究可融合气象与人类活动因子及更物理一致的空间特征,并采用不确定性建模增强对突变与极端事件的描述能力。