河网汇流不再按图平均:RiverScan按汇水面积加权,多瑙河608站日径流预测整体领先
核心概要
大河径流预测要把大小不一的子流域响应沿河网向下游累积,而常规图消息传递并不显式区分各支流代表的汇水面积。RiverScan把这一累积写成按面积分数加权的选择性状态递推,按拓扑序把已完成的支流状态与本地编码合成,并用支流状态与河段属性控制信息保留。在多瑙河608个站点上,它不使用实测流量输入,整体预测性能优于所评估的时间与图基线;结构对照显示正确拓扑的收益随上游累积层级增加而增大。
深度剖析
RiverScan把河网上的径流预测改写为“学习如何累积”:每个子流域先保留自己的气象历史,再沿河流拓扑逐级合成完整的上游汇水状态,而不是把整条支流压成一个平均输入。 此前的共享LSTM用流域平均输入学习降雨—径流关系,压缩了流域内部的空间差异;单跳同步消息传递、度归一化和学习式注意力也没有显式计入各支流状态所代表的不等汇水面积。 在多瑙河LamaH-CE的608个站点、607条有向边上,RiverScan在不输入实测流量的条件下取得所评估时间与图基线中最好的整体表现,且图对比固定了本地输入与LSTM结构。
累积规则来自线性汇流下的深度归一化:本地与各支流的贡献按面积分数分摊,因此合成结果对应一个完整的汇水区域。 该递推沿用有序图递推与树状态空间模型的做法,但把支流状态的组合系数换成由汇水几何决定的面积分数,并让保留率随已完成的支流状态和河段属性变化。 上游扫描从源头出发按拓扑序推进,一次遍历即覆盖整个上游子树;状态可展开为源区面积分数、本地编码与沿河路径保留率乘积的精确分解,实验覆盖全部608个站点、314个源头站和294个非源头站。
去掉面积加权是五项匹配组件移除中损失最大的一项,说明按汇水面积组合支流状态是这套算子起作用的关键环节。 五项组件移除在所有站点与非源头站两组上都带来负的相对配对NSE变化,其中移除面积加权的降幅最大。 移除面积加权后,整体与非源头站的中位KGE都下降;拓扑置换对照下,RiverScan相对置换的中位配对NSE增益从源头站到上游层级更深的站点逐步增大,在最长上游路径含四个河段的站点上全部44个站点均有改善。
启示与展望
结论建立在多瑙河LamaH-CE河网的608个站点上,任务是日尺度降雨—径流预测,输入为气象历史与静态属性,不使用实测流量;图对比固定了本地输入与LSTM结构。作者据此提出更细粒度、完全分布式的AI水文模型作为后续方向。
作者指出,河网连通性是否带来收益取决于任务:在LamaH-CE上以小时流量与气象历史做六小时预报的测试模型中未发现真实拓扑的优势,而上多瑙河的日尺度图路由模块报告了增益。因此拓扑何时、以何种方式构成有效归纳偏置仍是开放问题,本文结论限于无实测流量输入的日尺度设定。
