时间入库流量动态估计网络（TideNet）：一种用于水库日入库流量预测的新型物理信息图神经网络

《Environmental Modelling & Software》：Temporal Inflow Dynamic Estimation Network (TideNet): A novel physics-informed graph neural network for daily reservoir inflow forecasting

　　

•TideNet：一种用于多日洪水预报的物理信息图神经网络（GNN）
•将质量守恒流动力学嵌入基于图的学习中
•优于时空图形模型和时序深度学习基线 6%–13%
•可靠的入库流量预测延长至多 5 天。

引言
了解水库入库流量动力学传统上依赖于基于物理的模型，这些模型模拟水文系统的自然行为。这些物理模型旨在通过基于众多参数的数学和数值公式来复制自然过程，这些参数近似于现实世界的水文现象（Jaiswal et al., 2020）。它们计算量大，需要广泛的参数校准。此外，它们对详细物理输入的依赖限制了其可扩展性，并降低了它们在快速演变的洪水事件中提供早期预测的能力。为了克服这些局限性，迫切需要智能、数据驱动的入库流量预测系统，这些系统能够从历史模式和实时数据中学习，以生成快速可靠的预报。数据驱动模型相对于基于物理的模型的主要优势在于，它们能够在无需先验了解系统内部动态的情况下，近似输入和输出之间的功能关系（Khatun et al., 2023a）。

新兴的研究方向采用基于观测数据训练的深度学习（DL）模型来模拟径流过程并提高预报精度（Nearing et al., 2021）。深度学习的出现通过直接从数据中学习非线性时空依赖性，彻底改变了洪水预报（Khatun et al., 2024, Khatun et al., 2023b, Khatun et al., 2023a）。早期的混合方法（Xie et al., 2019）在非平稳条件下稳定了径流预测，而 Tennant 等人（2020）和 Xiang 等人（2020）证明，基于长短期记忆（LSTM）的架构比传统模型更有效地捕捉水文记忆和长期降雨 - 径流依赖性。在 LSTM 内部引入混合框架（Deng et al., 2022, Khatun et al., 2024）提高了其效率。Han 和 Morrison（2022）应用残差学习进行偏差校正，而 Cui 等人（2022）采用编码器 - 解码器结构进行多步预报。基于卷积神经网络（CNN）的空间特征提取（Zhang et al., 2022）和可解释人工智能（XAI）集成（Li et al., 2022）进一步提高了可解释性和鲁棒性。结合卫星降水产品，增强了大流域的洪水预报（Zhu et al., 2023），而相关工作（Zhang et al., 2023, Wang et al., 2023, Xu et al., 2023）将基于注意力和变压器的迁移学习扩展到城市和稀疏数据区域。最近关于协作序列建模（Thaisiam et al., 2024）、CNN–Transformer 混合模型用于入库峰值（Li et al., 2024）以及 Kolmogorov–Arnold 网络（KANs）超越 Transformer（Granata et al., 2024）的研究，标志着向混合、物理感知和可解释的深度学习模型的决定性转变，用于实时、气候适应性的洪水预报。随着 LSTM 的发展，循环神经网络（RNNs）在水文应用中获得了巨大的普及度和准确性，无论是测站流域的洪水预报还是无测站流域的建模（J. Liu et al., 2025）。目前，基于注意力的算法，如 Transformer，正显著增长。然而，数据驱动的深度学习模型本质上是“黑箱”。当前最先进的努力正大量投入到强调物理信息的深度学习水文模型中（Song et al., 2025, Nazari et al., 2025）。

在水文学中经常观察到，深度学习模型未能纳入河流网络的空间结构和连通性，限制了它们捕捉对准确和及时洪水预测至关重要的上下游相互作用的能力。整合显式河流拓扑对于提高模型可靠性至关重要，特别是在复杂的水文系统中。这促使了能够显式建模水文网络的基于图的方法的出现。相关研究（Sun et al., 2021, Q. Zhao et al., 2020）在大样本水文数据集上对多种图神经网络（GNN）变体进行了基准测试，显示出它们在学习时空依赖性和推广到无测站流域方面优于 LSTM 模型。在此基础上，Sun 等人（2022）提出了一种物理引导的数据融合 GNN，以接近物理的准确性复制过程模拟，同时计算成本减半。扩展这些基础，Liu 等人（2022）有效地建模了上下游依赖性，而 Oliveira Santos 等人（2023）和 Burrichter 等人（2023）证明了图卷积层在河流和城市背景下进行空间分辨洪水映射的实用性。研究（Costa Rocha et al., 2025）验证了 GNN-SAGE 模型在洪水预测准确性方面的改进。超越静态拓扑，Jiang 等人（2024）引入了动态多头注意力用于演变的河流结构。

此外，最近的研究强调了将水文物理知识（Tripathy and Mishra, 2024）和河网络特征嵌入学习框架的必要性。Shao 等人（2023）将质量平衡一致性集成到异构图时序卷积网络（TCN）模型中，而 Kazadi 等人（2022）引入了 FloodGNN，将水速度表示为向量特征以保留流动物理，证明嵌入水文原理可导致更具物理一致性和鲁棒性的洪水预测。总的来说，这些工作标志着向物理感知、动态自适应 GNN 框架的转变，用于准确和物理一致的洪水预报。

扩展这些进展，本研究提出了用于印度马汉迪盆地多日入库流量预报的物理信息时空 GNN。Boulange 等人（2021）强调，全球大多数河流盆地都受大坝调节。在当前气候变化形势下，管理这些大坝调节流量至关重要。尽管希拉克德大坝自 1957 年以来一直全面运行，但该盆地在 1960 年代以来遭受了多次反复发生的极端洪水事件（Jena et al., 2014, Mohite et al., 2025）。然而，21 世纪洪水频率>35 000 m3 s?1 显著增加（Jena et al., 2014, Khatun et al., 2025b, Khatun et al., 2025a）。由于现有和计划中的结构性措施无法减轻日益增高的洪水，特别是考虑到结构失效及其随后的损害，高效的非结构性措施如洪水预报是一个合适的选择。此外，结构性措施的建设、维修和维护所涉及的成本构成了主要限制。该河流盆地现有的洪水预报系统为水库提供提前 1 天的入库流量预报。鉴于水库上游流域的径流旅行时间为 2–3 天，具有更长提前期（超过 1 天）的改进洪水预报系统是当务之急。希拉克德水库是为多种目的而建的，其中洪水管理是主要目的之一。由于其地理位置跨越发展中国家多个邦，流入该水库的流量受到各种人为干预的影响。最近的一项研究（Khatun et al., 2025b）基于这样的认识：基于深度学习的洪水预报模型能够很好地模仿受人为干预影响的径流的输入 - 输出模式。此外，像 Khatun 等人（2022）和 Jena 等人（2024）这样的研究建议，马汉迪盆地的极端洪水在整个 21 世纪预计会增加。因此，以该盆地为测试案例，本研究旨在开发一种可应用于受人类活动影响且具有多维复杂性的盆地的模型。

该模型解决了数据驱动水文建模中的三大挑战：(i) 数据稀疏性，(ii) 传统深度学习框架缺乏物理归纳偏置，以及 (iii) 提高洪水预报的提前期。提出的图结构反映了流域的分层性质及其水文连通性，其中节点代表降雨 - 径流网格、水文站点和终点水库，边是动态构建的水文坡度，以模拟真实的水流路径。这个物理信息 GNN 框架逐步将水文原理集成到其架构中以增强入库流量预测。通过在多个阶段嵌入领域知识，该模型提高了现实场景中洪水预报的准确性和可靠性，并支持联合国的可持续发展目标（SDG）13（气候行动）（Filho et al., 2023）。

本文的主要贡献是：
(i) 面向动力系统的物理信息分层 GNN 框架：我们提出了一种物理信息建模框架，TideNet，它显式编码了河流流域的物理结构，将降雨 - 径流网格、水文站点和希拉克德水库点表示为节点，通过源自八方向（D8）汇点模型的水文意义流路径连接。TideNet 的核心是 FlowPass，一种新颖的质量守恒消息传递方案，其中可学习的边权重表示节点之间转移的径流比例，捕捉地形驱动的空间动态和降雨 - 径流响应的区域差异。通过基于连续性更新规则跟踪每个节点流量的增益和损失，FlowPass 强制实施了传统 GNN 缺乏的物理一致性。这种结构使模型能够学习真实的上下游洪水现象，解决了传统深度学习方法忽略空间连通性以及水文智慧的关键局限性。通过将水文先验与基于图的学习相结合，该框架展示了在极端洪水增加和复杂多流域水资源管理中提高预报准确性，为气候变化下的易洪水河流系统提供了一种可扩展、物理感知的方法。
(ii) 嵌入产流物理机制以在数据稀疏下实现鲁棒预测：我们引入了一种径流调节嵌入和门控更新机制来捕捉滞后降雨效应。这种物理引导的方法提高了模型在稀疏和嘈杂观测数据下的鲁棒性，增强了在准确预报最为关键的关键季风事件期间的可靠性。
(iii) 使用 Kolmogorov–Arnold 网络增强节点动力学以实现非线性阻尼：通过将在节点更新函数中整合 Kolmogorov–Arnold 网络（Z. Liu et al., 2025），该模型捕捉了在河流网络中观察到的洪水信号衰减中的非线性阻尼效应，提高了预测入库流量过程线的物理一致性。
(iv) 增强峰值入库流量预测以支持运营洪水管理：我们引入了一个任务感知的 AdaptiveFlow 损失，动态加权关键事件，以提高多个提前期的入库峰值的时机和幅度预测。这直接支持希拉克德大坝的水库运营人员，通过提供可靠的洪水峰值多日提前预报，将当前的 1 天预报提前期延长至 5 天，并促成主动的洪水缓解决策。

该框架提高了峰值入库流量预报的准确性，直接支持主动洪水管理和推进气候适应性。通过将分层图学习与水文先验相结合，我们的方法优于最先进的时空模型以及数据驱动和物理基线。它推进了可扩展的时空建模，解决了动力系统图机器学习中的关键挑战。

研究片段
研究区
马汉迪河流域（图 1），跨越 141,589 km2 的恰蒂斯加尔邦、奥里萨邦以及贾坎德邦、马哈拉施特拉邦和中央邦的部分地区，是印度最容易发生洪水的地区之一。奥里萨邦和恰蒂斯加尔邦上游流域的强降雨经常导致大规模洪水（Pattanaik and Das, 2015），并在 7 月至 9 月期间受孟加拉湾的天气尺度系统影响而加剧（Rao, 1976, Soman and Kumar, 1990, Sikka, 2006, Pattanaik, 2007, Pattanaik and Thapliyal, 2004）。

结果
河流上游范围内的所有流域和子流域都建模为图，以预测水库入库位置的多日入库流量。

讨论
本研究开发了 TideNet，一种用于希拉克德水库多日入库流量预报的物理信息图神经网络。TideNet 在表征河流网络中的上下游洪水信号传播方面显示出明显的改进，证据是其始终较高的 NSE 值（所有提前期均>0.90）以及在累积频率 - 阈值分析中的优异表现（图 7）。值得注意的是，TideNet 提高了峰值入库流量预测准确性，优于其他数据驱动...

结论
在受调节的河流盆地中准确的提前多日洪水预报仍然具有挑战性，这是由于复杂的上下游相互作用、数据稀疏性以及计算密集的物理模型和黑箱深度学习方法的局限性。本研究通过开发 TideNet 解决了这些挑战，这是一种物理信息图神经网络，显式嵌入了河流网络连通性、质量守恒流动力学和水文先验到一个可扩展的数据驱动...

软件和数据可用性
软件名称：TideNet (Temporal Inflow Dynamic Estimation Network)
开发者：Chandranath Chatterjee, Pabitra Mitra, Ritam Pradhan, Sadique Amin, Somrita Sarkar, and Amina Khatun
联系方式：Chandranath Chatterjee ([e-mail]), Department of Agricultural and Food Engineering, Indian Institute of Technology Kharagpur, Kharagpur 721302, West Bengal, India
Ritam Pradhan ([e-mail]), Department of Industrial and Systems Engineering, Indian Institute of...

CRediT 作者贡献声明
Somrita Sarkar：Writing – original draft, Visualization, Validation, Software, Methodology, Investigation, Formal analysis, Data curation, Conceptualization.
Ritam Pradhan：Writing – original draft, Visualization, Validation, Software, Methodology, Investigation, Formal analysis, Data curation, Conceptualization.
Sadique Amin：Writing – original draft, Visualization, Validation, Software, Methodology, Investigation, Formal analysis, Data curation, Conceptualization.
Amina Khatun：Writing –

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。

致谢
作者对所有慷慨提供进行研究所需基本数据集的资源表示诚挚的感谢。

Somrita Sarkar|Ritam Pradhan|Sadique Amin|Amina Khatun|Anamika Dey|Pabitra Mitra|Arijit Mondal|Chandranath Chatterjee