基于动态-静态异构图神经网络与LSTM的多站点水位预测

《Machine Learning with Applications》：Dynamic-static heterogeneous graph neural networks with LSTM for multi-station water level forecasting

　　

流域水位的准确预测对于洪水预警和水资源管理至关重要，但由于流域内复杂的水文气象过程，仍然具有挑战性。现有方法通常忽略站点类型之间的差异，并依赖静态空间结构，限制了捕捉动态水文关系的能力。为了解决这些问题，研究人员提出了一种集成动态-静态异构图神经网络与长短期记忆（DSHGNN-LSTM）的多站点水位预测模型。该模型首先利用滞后相关系数构建静态异构图，以表示站点之间的稳定长期关系。然后采用多头注意力机制学习动态异构关系，并将其与静态结构融合形成动态-静态混合图。异构图神经网络（HGNN）从水文站和气象站提取差异化空间特征，而长短期记忆（LSTM）则捕捉时间依赖性以进行多站点预测。该模型在中国北江流域进行了验证，并在不同提前时间和站点条件下优于代表性基线模型，如扩散卷积循环神经网络（DCRNN）和Transformer。在t+1提前时间，DSHGNN-LSTM的纳什-萨克利夫效率系数（NSE）提高了约3.4%–9.0%，并在捕捉峰值水位方面表现出更好的性能。消融实验和沙普利加法解释（SHAP）分析进一步证实了建模空间异质性和动态依赖性的重要性，同时也提高了模型的可解释性。结果表明，该模型在洪水风险管理和水资源调控方面具有强大的应用潜力。

**论文解读：基于动态-静态异构图神经网络与LSTM的多站点水位预测框架**

**研究背景与问题**

流域水位的准确预测是洪水预警、水资源调控及水利工程运行管理的关键环节。然而，气候变化导致极端降雨和洪水事件日益频繁，流域水文过程呈现更强的非线性和不确定性，传统水文模型（如基于经验公式或物理假设的模型）在复杂流域中预测精度和泛化能力受限。近年来，深度学习模型（如人工神经网络（ANN）、卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）及Transformer）被广泛应用于水文预测，但多数研究独立建模各站点，仅关注时间依赖性，忽略了流域内不同站点间的空间交互作用。事实上，站点水位变化不仅受本地水文气象条件影响，还受流域内其他站点状况的制约，例如上游洪水传播或相似气候条件下的同步响应。

图神经网络（GNN）虽被引入以捕捉空间依赖，但现有方法存在两大局限：一是多数研究假设图节点为同质类型，将水文站与气象站视为同一类节点或仅将气象站特征作为水文站的属性，忽视了二者在水文系统中的不同功能（水文站反映水动力传输，气象站刻画降雨-径流转化），导致模型可解释性和预测精度下降；二是采用预定义的静态图结构，认为站点间空间关系恒定不变，而实际中这种关系会随降雨事件、水文条件及时间尺度动态变化（如汛期连接增强、枯水期减弱）。静态图无法捕捉短期动态变化，从而限制了模型对动态水文过程的表征能力。

**研究内容与意义**

为克服上述局限，本研究提出了DSHGNN-LSTM模型，用于多站点水位预测。该模型通过构建动态-静态混合异构图，同时表征长期稳定和短期动态的空间依赖；利用异构图神经网络（HGNN）对水文站和气象站进行差异化建模，并融合LSTM捕捉时间特征。模型在中国北江流域（珠江水系第二大支流，覆盖约52,068 km2，具有典型山地-平原复合流域特征）进行了验证，采用8个水文站和5个气象站的日观测数据（2012-2025年），以连续8天历史数据为输入，预测未来1-3天水位。结果表明，DSHGNN-LSTM在各项指标上优于LSTM、GRU、Transformer、时空图卷积网络（T-GCN）和扩散卷积循环神经网络（DCRNN）等基线模型，尤其在短时预测（t+1）中纳什-萨克利夫效率系数（NSE）提升约3.4%-9.0%，并更准确地捕捉峰值水位。消融实验和沙普利加法解释（SHAP）分析验证了动态图、静态先验及异构图建模各模块的有效性，并增强了模型可解释性。该研究发表在《Machine Learning with Applications》。

**主要关键技术方法**

（不超过250字）
本研究采用的关键技术包括：1）基于滞后皮尔逊相关系数（l_max=3）构建静态异构图，表征站点间长期稳定关联；2）基于多头注意力机制构建动态异构图，从历史观测序列中自适应学习随时间变化的短期间关联；3）通过可学习参数λ进行动态-静态图加权融合，形成动态-静态混合异构图；4）采用异构图卷积（GraphConv）分别对水文站和气象站进行空间特征提取，保留节点类型特异性；5）利用LSTM捕捉空间特征序列的时间依赖性；6）采用均方误差（MSE）损失函数和Adam优化器训练模型，并使用沙普利加法解释（SHAP）进行全局归因分析。数据来源于广东省清远市水文局和美国国家海洋和大气管理局（NOAA），样本划分比例为70%训练、10%验证、20%测试。

**研究结果**

**4.1 流域尺度预测性能评估**
通过对比DSHGNN-LSTM与LSTM、GRU、Transformer、T-GCN、DCRNN在t+1至t+3三个提前时间下的均方根误差（RMSE）、NSE和平均绝对误差（MAE），得出DSHGNN-LSTM在所有提前时间下均取得最优结果。在t+1时，RMSE为0.330 m，MAE为0.19 m，NSE为0.737，较基线模型RMSE降低4.9%-13.8%，MAE降低6.4%-21.4%，NSE提升3.4%-9.0%。随着提前时间延长，所有模型误差增大，但DSHGNN-LSTM在t+3时仍保持NSE>0.4且MAE<0.3，唯一达到此水平的模型，展示了对中长期预测的鲁棒性。

**4.2 站点尺度预测性能评估**
在单个站点（如QY站）的残差分析和峰值水位对比中，DSHGNN-LSTM在低水位的残差更集中，高水位低估程度更小。在t+1时，峰值预测几乎与观测曲线重合；在t+3时，仅DSHGNN-LSTM对第二峰值预测超过13 m，接近真实值14 m，而其他模型均低于12 m，表明其捕捉极端洪水事件的能力更强。

**4.3 消融实验**
通过移除动态图、静态图或异构图模块构建五个消融模型，在t+1至t+3提前时间下，完整DSHGNN-LSTM始终最优。移除静态图（DHGNN-LSTM）在中期预测中NSE下降更明显；移除动态图（SHGNN-LSTM）性能均匀下降；移除异构图（DSGNN-LSTM）在短时预测中MAE退化显著。仅使用动态图（DGNN-LSTM）性能最差，证实静态空间信息对捕捉稳定依赖的重要性。

**4.4 动态图时变特征分析**
可视化枯水期、平水期和汛期的动态注意力矩阵发现：枯水期注意力分布均匀；平水期模型对FG和BY气象站赋予更高权重；汛期YD和GD水文站及LZ、LP气象站获得最高注意力权重（约0.4-0.5），表明模型能自适应识别关键站点，抑制无关信息，具有水文物理意义。

**4.5 模型可解释性**
采用SHAP对下游目标站SJ进行全局归因分析，发现SJ自身历史特征贡献最大（平均63.2%），但随提前时间增加而下降。气象站（SG、LP、FG）贡献持续较高，且在中长期预测中占比显著上升，表明模型更多依赖降雨驱动信息。水文站如WJ、FLX、ZK次之，而SK、YD及BY气象站贡献较小，与空间位置和连接性一致。

**讨论与结论**

**讨论部分总结**
DSHGNN-LSTM的优越性能归因于能同时捕捉长期稳定和短期动态空间依赖，且λ参数自适应平衡两者，提升泛化能力。静态图提供可靠空间先验，对中长期预测稳定性至关重要；动态图通过注意力机制自动识别汛期关键站点的作用，具有物理解释性。异构图建模的合理性在于明确区分水文站与气象站的不同功能，消融实验和SHAP分析均证实其必要性。未来工作应引入物理约束（如水量平衡）以增强在数据稀缺流域的稳定性，并显式考虑水库、水闸等水利工程调控的影响，通过将水利设施作为异质节点纳入图结构，实现自然水文过程与人为调控的联合建模。

**研究结论翻译**
本研究提出了一种集成动态-静态异构图神经网络与长短期记忆（DSHGNN-LSTM）的预测框架，用于解决流域内多站点水位预测的挑战。该框架旨在表征水文系统中固有的复杂时空依赖。主要结论和贡献总结如下：
(1) 本研究提出了一种动态-静态混合异构图建模策略，整合了长期稳定空间先验与短期演化动态空间关系。通过明确区分水动力传输和降雨-水位转化两种不同的相互作用路径，该策略有效增强了模型表征复杂水文过程的能力。
(2) 与多种基线模型的系统对比实验验证了DSHGNN-LSTM在不同提前时间和站点下的预测优势。在t+1提前时间，DSHGNN-LSTM的纳什-萨克利夫效率系数（NSE）较其他模型提升约3.4%-9.0%。此外，该模型在捕捉洪水峰值方面表现出色，表明其在洪水预警和风险管理中具有稳健的应用潜力。
(3) 动态图注意力可视化和沙普利加法解释（SHAP）分析结果从机制层面揭示了短期空间依赖的变化以及模型利用水文站和气象站信息的差异，从而增强了模型结果的物理可解释性。
总之，本研究为复杂流域的水位预测提供了一个高性能且可解释的深度学习框架，为时空图神经网络在水文领域的应用提供了新见解。未来，随着水文气象数据集的持续扩展，该框架在实时洪水预警和水资源管理等业务系统中的应用潜力值得进一步探索。