综述:探索图神经网络在洪水建模中的应用:挑战、机遇与未来前景
《Environmental Modelling & Software》:Exploring graph neural networks for flood modeling: Challenges, opportunities, and future prospects
【字体:
大
中
小
】
时间:2026年08月06日
来源:Environmental Modelling & Software 5.2
编辑推荐:
摘要流体动力学洪水模型在理解洪水的时空演变方面起着关键作用,有助于有效的灾害管理。目前的实现方式存在局限,基于物理的数值模型因计算速度慢而受到限制,而数据驱动的模型则缺乏可解释性和物理一致性。图神经网络为将非结构化空间域表示为图提供了具有物理意义的框架,这种表示方式与数值模型的节
摘要
流体动力学洪水模型在理解洪水的时空演变方面起着关键作用,有助于有效的灾害管理。目前的实现方式存在局限,基于物理的数值模型因计算速度慢而受到限制,而数据驱动的模型则缺乏可解释性和物理一致性。
图神经网络为将非结构化空间域表示为图提供了具有物理意义的框架,这种表示方式与数值模型的节点-边结构相对应。与其他深度学习方法不同,GNN无需复杂的空间数据转换,还能无缝整合基于物理的先验知识。
本综述汇总了49篇关于GNN在洪水建模中应用的经过同行评审的研究,指出了在物理机制融入、可扩展性以及跨领域通用性方面的关键不足。借助GNN在其他领域取得的进展,我们提出了克服这些局限性的策略。通过结合物理真实性、计算效率以及实时预测和风险管理的适应性,GNN有望成为新一代洪水模型。
引言
洪水是对城市人口构成的最大威胁之一,在过去25年中造成的经济和基础设施损失估计超过3万亿美元(联合国减灾办公室和灾难流行病学研究中心,2020年)。此外,洪水还对人类生命构成严重威胁,20世纪就有至少800万人因此丧生(Jonkman和Kelman,2005年)。由于洪水的影响范围广泛,全球有多达23%的人口(约18.1亿人)面临洪水的危害(Rentschler等人,2022年)。随着气候变化导致洪水灾害频发,这一数字预计还会继续上升(Tabari,2020年)。为减轻这些负面影响,有必要结合风险评估、预警信号以及实时应急响应措施,而这些都需要详细的淹没信息。洪水建模是通过计算方法模拟洪水行为,可采用基于物理的数值模拟或数据驱动的方法。这些模型会考虑环境条件(如降雨量、地形、边界条件)以及水利设施,从而预测洪水蔓延过程中的水深、流量、流速和水量等参数。准确可靠的洪水模型能为数据驱动的决策提供重要依据,助力有效的灾害管理和风险降低。
最初的计算洪水建模方法是基于数值方法的。这类方法是偏微分方程的数值求解器,能够根据降雨量、边界条件、河道几何形状以及河床粗糙度等参数,描述洪水随时间的变化情况(Kumar等人,2023年)。尽管数值方法精度较高,但它们需要大量的计算时间和资源,这限制了其实际应用。一些研究试图通过基于GPU的加速技术来提升性能(Ming等人,2020年;Vacondio等人,2014年)。然而,这些方法成本高昂,且性能会因硬件规格的不同而有所差异。人们还尝试对相关方程进行进一步简化,但在更复杂的场景中效果不佳(Costabile等人,2017年)。
数据驱动的替代模型为传统的数值模拟提供了有力替代方案,它能在保持高精度的同时实现更快速的预测。这类方法通常利用机器学习从大量历史数据中识别模式,以此预测洪水的演变趋势(Kumar等人,2023年)。随着洪水管理领域的数据收集日益完善,可用于训练的数据量也在增加,进而提升了模型的性能。作为机器学习的一个子集,深度学习因其能够捕捉复杂的非线性关系并自动提取特征而备受关注(LeCun等人,2015年),这使得它特别适用于自然语言处理、计算机视觉以及洪水建模等复杂领域。不过,数据驱动的模型也存在一些关键缺陷,比如依赖大量数据以及物理一致性较差。
卷积神经网络因其空间归纳偏置而被广泛用于图像处理,这使得它们能够在训练数据相对有限的情况下模拟复杂的大规模场景。许多研究都利用CNN来处理和预测基于图像的洪水地图(Herath等人,2025年;Hosseiny,2021年;L?we等人,2021年;Y. Wang等人,2020年)。然而,CNN要求数据以结构化的欧几里得网格形式呈现,而这往往无法反映现实世界中地形起伏不规则、流体流动不均匀的洪水场景。
图神经网络的诞生正是为了解决这一难题,因为它们可以直接处理以图形式存在的非结构化数据,无需进行数据转换。它们将基于CNN的卷积操作推广到非欧几里得空间,从而保留那些有助于提升数据处理效率的归纳偏置(Battaglia等人,2018年)。不过,这种灵活性也带来了问题,即在更深层的架构中需要处理过度平滑的节点表示,而且随着图规模的增大,内存需求也会迅速上升。在洪水建模中,目标流域可以以灵活的方式表示,从而形成多种能保留流动、坡度或距离等二元关系的表示形式。随后,图卷积会根据这些先验信息传播潜在表示,这一过程类似于水的实际流动过程。尽管在结构上存在这种一致性,但GNN技术在洪水建模领域的应用仍十分有限。与此同时,分布式图训练、邻域采样、迁移学习以及异构图建模等技术在交通预测、电力系统、分子化学和计算流体动力学等领域已经较为成熟,这些技术都为改进现有的GNN洪水模型提供了可行的路径。
本综述旨在弥补这一空白,通过总结现有方法并提出有前景的研究方向来解决这一问题。此前已有不少综述探讨过这一领域,但研究范围逐渐缩小,从对洪水建模方法的总体概述(Kumar等人,2023年),到针对洪水预测的机器学习研究(Mosavi等人,2018年),再到专门研究深度学习的应用(Bentivoglio等人,2022年)。不过,即便在这些研究中提到了GNN,也仅是进行了高层次的讨论,没有深入探讨图形构建和建模技术等具体内容。据我们所知,这是第一篇专门研究GNN在洪水建模中应用的综述。
本文的学术贡献如下:
- (a)
对49篇运用GNN进行洪水建模的经过同行评审的研究进行了全面总结并建立了分类体系。
- (b)
对当前GNN方法的优点和局限性进行了批判性分析。
- (c)
借鉴其他领域的成功应用,提出了推进基于GNN的洪水建模的研究方向。
第2部分介绍了洪水建模和GNN的理论及历史背景。第3部分回顾了当前在洪水建模领域中GNN应用的相关研究。第4部分总结了这类GNN的优势与局限性。最后,第5部分探讨了可从其他领域借鉴的方法,以优化基于GNN的洪水建模。
章节节选
背景
本节详细介绍了本综述所涉及的两个核心概念——洪水建模和GNN。2.1节定义了洪水建模问题,并回顾了现有的建模方法。2.2节则通过阐述其理论基础来介绍GNN。
现有方法综述
本节首先介绍GNN在洪水建模中的应用背景(3.1节),接着说明文献筛选的过程(3.2节)。3.3节会对所有相关论文进行高层面的综述。之后,文章会按类别进一步分析这些研究,具体包括基于点的方法(3.4节)、基于粒子的方法(3.5节)以及基于网格的方法(3.6节)。
基于GNN的洪水模型分析
本节分析了相关文献中的关键趋势,分别在4.1节阐述优势与长处,4.2节指出研究缺口与局限性。4.3节则综合这些讨论,从洪水GNN应用的角度提出研究方向。
来自相关领域的机遇
虽然GNN在洪水建模中的应用仍处于初期阶段,但它们在相关领域已经得到广泛应用并且有着成熟的理论体系。那些与洪水建模具有相似特征的领域——如网络化数据(空间或关系型数据)、时间演化(动态图结构)以及复杂的多模态输入——中,GNN都表现出了出色的性能。这些领域的成功应用证明了GNN适用于洪水建模,同时也为洪水建模提供了许多可借鉴的技术,比如动态图学习技术等。
结论
GNN为洪水建模提供了一个极具吸引力的框架,它既与数值求解器的输入格式相契合,又能兼顾计算效率与物理先验的嵌入能力。通过直接将非结构化领域表示为图,GNN避免了基于网格的深度学习方法所需的数据转换步骤。不过,这一领域目前仍处于发展初期,现有研究也表明,GNN的潜力尚未得到充分实现。
本综述共梳理了49篇关于基于GNN的洪水建模的研究成果。
CRediT作者贡献声明
Carlo Malapad Acosta:撰写——综述与编辑、撰写——初稿、可视化、概念构思。Herath Mudiyanselage Viraj Vidura Herath:撰写——综述与编辑、撰写——初稿、可视化、指导、概念构思。Abhishek Saha:撰写——综述与编辑、撰写——初稿、概念构思。Sanka Rasnayaka:撰写——综述与编辑、可视化、指导、概念构思。Lucy Marshall:撰写——综述与编辑、指导。
关于写作过程中生成式AI和AI辅助技术的声明
在撰写本文时,作者使用了Google Gemini和ChatGPT来提升文本的可读性和语法结构。在使用这些工具/服务之后,作者对内容进行了必要的审核和修改,并对文章的内容承担全部责任。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。
致谢
本研究得到了悉尼大学–新加坡国立大学Ignition项目的资助。
Carlo Malapad Acosta|Herath Mudiyanselage Viraj Vidura Herath|Abhishek Saha|Sanka Rasnayaka|Lucy Marshall
新加坡国立大学计算机科学系,新加坡
生物通微信公众号
生物通新浪微博
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