从大规模河流图数据集中学习具有几何感知能力的径流预报模型

《Journal of Hydrology》：Learning geometry-aware streamflow forecast models from a large-scale river graph dataset

　　•一种结合河流网络连通性的图神经网络，可实现与流域无关的次日级流量预测。•为支持模型训练，研究人员构建了一个大规模、具备几何感知能力的数据集，其中包含了500多个美国流域的相关数据。•预训练后的模型具有较高的预测精度，并且能够很好地泛化到未见过的流域。•通过利用观测数据进行微调，可进一步提升预训练模型的性能。引言河流径流反映了流域对上下游水文过程在空间和时间上的综合响应。预测径流的量值及其时空分布规律，以及由此产生的流量，是水文建模的核心目标，其应用范围广泛，从水资源管理到理解地球的能量、质量及碳循环皆有涉及。在预计的全球变暖趋势（Zhang等人，2022年）以及人类活动对河流流域日益加剧的改造（Kulp和Strauss，2019年；Wang等人，2024年）背景下，流量预测在提升社区抗灾能力及开展人道主义救援工作中发挥着愈发重要的作用，有助于降低日益严重的洪水和干旱风险（Wing等人，2022年；Zhang等人，2023年；Yang等人，2025b年）。同时，也有持续的需求来提升现有水文模型的性能、分辨率及计算效率。过去十年间，人工智能极大地改变了水文建模的方式，它不仅提升了模型的性能、速度、可扩展性及迁移能力，还催生出新一代的数据驱动型及混合机器学习方法（Nearing等人，2021年；Shen等人，2023年；Slater等人，2023年）。数据集的数量与质量，以及其空间和时间覆盖范围，对于训练出强大且具有泛化能力的水文机器学习模型至关重要。充足的数据覆盖能够让机器学习模型提取并学习到关于流域过程的通用表征，这些表征涵盖从地形特征到径流生成机制等多个方面。基于观测数据构建水文数据集的工作早在几十年前就开始了。在美国本土范围内，较为著名的数据集包括模型参数估算实验数据集（MOPEX，Schaake等人，2006年）、用于评估流量的地理空间属性数据集第二版（Gages-II，Falcone，2011年），以及用于大样本研究的流域属性与气象数据集（CAMELS，Addor等人，2017年），这些数据集为美国数百个流域提供了地形特征数据及流量观测值。在全球范围内，基于观测的数据集还包括全球流量指数与元数据档案（GSIM，Do等人，2018年），以及针对不同国家的类似CAMELS的数据集[例如CARAVAN，Kratzert等人，2023年]。再分析数据方面的例子则包括G-RUN（Ghiggi等人，2021年）和GlobalHydro（Lin等人，2019年），这类数据集提供了数百万条全球河流段的重建后的自然化流量数据。迄今为止，许多水文机器学习研究都集中在对单个、空间上相互隔离的地点的流量预测上，通常将每个流域视为一个点，并赋予其空间平均的流域属性。例如，CAMELS数据集就被广泛用于证明：通过训练单一的长短期记忆网络，就可以让该网络学习到不同水文气候条件下各流域共有的潜在表征，进而实现比经过校准的概念模型更准确的流量预测（Kratzert等人，2018年、2019年；Feng等人，2020年、2022年）。最近的研究进一步证明了为全球范围的流域训练单一长短期记忆网络的可行性（Yang等人，2025a年）。此外，还有其他深度学习模型架构也被用于基于水文站点的流量估算，其中包括卷积神经网络与循环神经网络的组合（Shiri等人，2023年）、变换器模型（Liu等人，2024年）以及扩散模型（Wang等人，2025年）。利用大规模数据集训练出具有泛化能力的机器学习模型，这一进展与人工智能研究中基础模型的快速发展相契合。这类基础模型的重要意义在于它们能够带来新的模型功能，同时实现方法上的标准化（Bommasani等人，2021年）。前者指的是那些并非通过显式训练就能出现的新型模型功能或行为，只有当模型规模足够大时才会显现；而后者则是指通过大规模的迁移学习，使得模型能够在不同的任务、领域和模态之间进行适配。随着训练数据集规模的不断扩大，许多地球科学领域最终都有可能发展出针对特定领域的基础模型（Mukkavilli等人，2023年；Nguyen等人，2023年）。流域本身具有多尺度结构，存在着由河流网络所形成的全局性与局部性联系，而这些联系又受到大气与地表之间、地下结构与地表结构之间以及上游与下游区域之间的物质交换作用的影响。理解和模拟这种复杂的河流网络结构中的相互作用，包括流量的时空变化以及界面间的物质交换情况，至关重要，长期以来一直是水文建模的重点研究内容（Bates等人，2021年；Durand等人，2025年）。具备几何感知能力的时空水文机器学习是一门正在快速发展中的新兴领域，目前才刚刚开始受到重视。一般来说，几何机器学习致力于从非欧几里得数据结构中学习表征，这类数据结构包括图结构以及非结构化的数值网格。与那些不显式建模空间关系的基于位置的机器学习模型不同，具备几何感知能力的机器学习模型能够将各种关系作为先验条件或归纳偏差的形式加以编码，这类模型往往需要更少的数据即可实现泛化，并且在空间和尺度上的外推能力也更强（Bronstein等人，2017年；Liu等人，2025年）。图神经网络和变换器代表了两种常用的几何深度学习架构。图神经网络通过迭代地聚合和更新来自相邻节点的信息，同时兼顾空间关系，从而在图结构上学习表征（Battaglia等人，2018年）。图建模具有很强的灵活性。通常情况下，节点之间的连接并不一定意味着物理上的（比如地理上的）邻近，而只是表明这些节点之间存在某种可量化的函数关联（比如皮尔逊相关性），或者在某个特定的空间结构中彼此接近（Cini等人，2021年）。变换器则将输入数据表示为标记，这些标记会与其他所有标记相互作用，从而形成一个全连接的图结构。每个标记与其他所有标记之间的关系则通过自注意力机制来捕捉，该机制能够确定这些相互作用之间的相对重要性（Vaswani等人，2017年）。由于自注意力机制会引入密集的成对相互作用，其计算复杂度为二次方级，因此变换器（至少是传统的变换器）通常比图神经网络需要更多的计算资源，尤其是在处理大型、稀疏的图结构或较长的时间序列时。迄今为止，针对河流网络开展具备几何感知能力的机器学习建模工作仍然较少。Sun等人（2021年）开发了一种图神经网络，用于对CAMELS流域的水文站点进行建模，他们将各个流域视为图结构中的独立节点，节点之间的连接则根据流域的地形相似性来确定。后来，Sun等人（2022年）又将这种图神经网络应用于美国西部的一个高山流域的建模工作，在该研究中，河流网络本身被视作一个基于物理原理的图结构。Farahmand等人（2023年）则运用基于注意力的时空图卷积网络，整合多种数据源来开展城市洪水短期预报，并以2017年飓风“哈维”引发的严重洪水事件作为验证案例。近期，Deng等人（2024年）则结合图神经网络和长短期记忆网络，对中国长江流域的一个子流域进行了建模，在该模型中，图神经网络用于提取空间特征，而长短期记忆网络则用于建模时间依赖关系。类似地，Mosaffa等人（2025年）也采用了长短期记忆网络-图神经网络框架，其中图神经网络负责空间流量路径的规划，长短期记忆网络则负责时间层面的建模，他们充分利用了河流网络作为有向图的结构优势；他们的模型在多瑙河上游流域的预测表现优于单纯使用长短期记忆网络的模型。与一维的流量时间序列预测模型相比，涉及图神经网络的时空机器学习模型更难以训练，这不仅是因为其计算复杂度高，还因为水文领域缺乏大规模的训练数据集。如果使用仅来自单个流域的图结构数据集来训练图神经网络，可能会导致模型记住特定地点的特殊信息，而非学习到具有通用性、与水文过程相关的特征表示。本研究的主要目标有两个。首先，我们旨在利用公共领域的水文织物数据集来绘制河流网络，同时借助美国国家水文模型数据集来提供次日级流量训练数据，从而创建出一个基于图的CAMELS数据集版本，即CAMELS-G。其次，我们构建了三个参考模型，用以证明通过学习CAMELS各个流域共有的潜在表征，来训练一个单一的图神经网络模型以实现流域尺度的流量预测是可行的。这项研究的主要成果是一组经过预训练、具备泛化能力的图神经网络模型，这些模型能够模拟美国国家水文模型的运行机制，而且还可以方便地被用于后续的其他任务。需要指出的是，目前在使用再分析数据来进行预训练，已是天气和气候建模领域的常规做法。例如，ForeCastNet（Pathak等人，2022年）、GraphCast（Lam等人，2022年）以及Pangu-Weather（Bi等人，2023年）等模型，都是利用欧洲中期天气预报中心的再分析数据来训练的。在水文领域也可以采用类似的思路。尽管可能存在模型偏差，但美国国家水文模型的输出结果仍然具有很大的价值，它能够提供密集的空间和时间维度上的监督信息，即便在缺乏水文监测数据的地区，也有助于学习出具有通用性的水文特征表示。之后还可以利用观测数据对预训练好的模型进行微调，从而减少这些偏差。这项工作为构建大规模机器学习训练数据集这一行业性努力做出了重要贡献（Nearing等人，2021年），同时也有助于提升水文机器学习模型的性能、分辨率及可扩展性，最终还有助于开发出与天气预报领域最新进展相媲美的、针对特定水文气候条件的基础模型（Mukkavilli等人，2023年；Nguyen等人，2023年；Schmude等人，2024年）。接下来，第2节将介绍CAMELS-G数据集的构建方法，第3节会介绍所使用的参考图神经网络模型，第4节则会对比这些参考模型的性能，随后是讨论与结论部分。章节要点CAMELS-GCAMELS-G是一个涵盖美国本土多个流域的水文图数据集，其中包含了来自不同来源的动态和静态的节点/边属性。目前，CAMELS-G中的动态数据包括大气强迫数据以及流量数据，时间范围为2000年1月1日至2020年12月31日，数据更新间隔为3小时。这些流量数据是从美国国家水文模型的v3.0版本再分析数据中提取的。美国国家水文模型是一个实时运行的、按小时循环运行的分析与预报系统，它可以为超过2.7亿英亩的土地提供流量预报服务。图学习简介图是由节点集、节点属性以及边集、边属性共同构成的，其中节点特征维度为，边特征维度为。在图结构上开展时空监督学习任务，就是要找到一个由参数化的函数，使得，其中为时间下的图结构输入，为对应时间下的图结构输出，为节点总数，为回溯窗口的长度，为预报时段的长度。在公式（2）中，表示基于图结构的运算，它可以将节点映射到某种表示形式。基准实验在基准实验中，我们设定的回溯窗口长度为16步（相当于48小时），预报时段长度为8步（相当于24小时）。所选的预报时段与美国国家水文模型提供的短期流量预报时段相当，后者能够预报未来18小时的流量情况。图5展示了MGN模型、MGN-LSTM模型以及GWN模型在测试数据上得到的KGE值的累积分布函数曲线。这些曲线反映了在不同评估尺度下，各个机器学习模型再现美国国家水文模型运行规律的能力：通过聚合单个节点的特征来评估模型性能。讨论本研究探讨了预先训练一个单一的图神经网络模型，以学习大陆尺度上各流域动态特征的共有表征的可行性。通过预训练，该图神经网络能够接触到美国本土各种各样的水文状态、气象条件、流域特征以及流量状况。不过，预训练好的模型不可避免地会继承美国国家水文模型的一些偏差和缺陷（比如路径规划方面的问题），但它依然能够在数百万条河流段以及多种不同的流域环境中再现美国国家水文模型的运行特征。结论近年来，人工智能领域的重大突破得益于通过增加数据量和数据类型来训练大规模模型的能力。与其他领域相比，数据稀疏性问题仍然是水文机器学习模型训练面临的主要挑战（Sun和Sun，2026年）。本研究提出了CAMELS-G，这是一个大规模的、涵盖多个流域的图数据集，它基于广为使用的CAMELS数据集构建，旨在用于训练具备几何感知能力的流量预报模型。这项工作的独特贡献在于推动了“将几何因素作为……”这一理念的应用。CRediT作者贡献说明Alexander Y. Sun：写作——审稿与编辑，写作——初稿撰写，软件工具，方法论，研究实施，正式分析，数据整理，概念构思。Albert A. Sun：写作——初稿撰写，软件工具，正式分析，数据整理。利益冲突声明作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢这项工作是在第二位作者于2025年作为夏季实习生在Hydrotify LLC公司工作时完成的。作者们感谢三位匿名审稿人以及责任编辑提出的宝贵意见。Alexander Y. Sun|Albert A. Sun