DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling

ملخص تقني: DUALFloodGNN

بيان المشكلة
تعد نمذجة الفيضانات أمراً حيوياً لإدارة الكوارث الاستراتيجية، ومع ذلك تواجه النماذج العددية القائمة على الفيزياء والمبنية على القوانين الفيزيائية عقبة كبيرة: وهي تكلفتها الحسابية العالية التي تحد من فائدتها في الإعدادات التشغيلية التي تتطلب تنبؤات سريعة وفورية. وبينما توفر نماذج التعلم العميق (DL) المعتمدة على البيانات السرعة، فإن البنى المعمارية القياسية مثل الشبكات العصبية الالتفافية (CNNs) مقيدة باعتمادها على شبكات شبكية مهيكلة، والتي تفشل في تمثيل التضاريس غير المنتظمة وديناميكيات السوائل غير المتجانسة التي تميز سيناريوهات الفيضانات بشكل كافٍ. علاوة على ذلك، فإن العديد من نماذج التعلم العميق تعمل كـ "صناديق سوداء"، وتفتقر إلى التفسير الفيزيائي المطلوب لضمان الاتساق مع القوانين الهيدروديناميكية. وغالباً ما تعاني مناهج الشبكات العصبية الرسومية (GNN) الحالية المستخدمة في نمذجة الفيضانات من صعوبة فرض حفظ الكتلة على المقاييس المحلية أو تتطلب تحويلات مكلفة حسابياً (مثل الرسوم البيانية الخطية - line graphs) للتنبؤ بخصائص الحواف جنباً إلى جنب مع خصائص العقد.

المنهجية
يقترح المؤلفون DUALFloodGNN (الشبكة العصبية الرسومية للفيضانات ذات الهدف المزدوج والقيود العالمية والمحلية الشاملة)، وهي بنية هندسية مبتكرة للشبكات العصبية الرسومية القائمة على الفيزياء، مصممة للتنبؤ المتزامن بحجم المياه عند العقد وتدفق المياه على طول الحواف.

• البنية المعمارية: يتبنى النموذج إطار عمل (ترميز-معالجة-فك تشفير).
  • المُشفّر (Encoder): يقوم بتشفير ميزات العقد الثابتة والديناميكية (مثل الارتفاع والحجم) وميزات الحواف بشكل منفصل إلى مساحة كامنة موحدة باستخدام البرامج متعددة الطبقات (MLPs).
  • المعالج (تمرير الرسائل المشترك): على عكس النهج السابقة التي تتطلب رسوماً بيانية خطية، يستخدم DUALFloodGNN آلية تمرير رسائل مشتركة. يتم إنشاء الرسائل بناءً على تضمينات العقد والحواف ($m_{ji} = \text{MLP}(h_i || h_j || e_{ij})$). يتم تجميع هذه الرسائل لتحديث تضمينات العقد عبر عملية الجمع، بينما يتم استبدال تضمينات الحواف مباشرة بالرسائل. يحافظ هذا التصميم على الخصائص المتجهة للتدفق ويسمح بالنمذجة المشتركة دون الحاجة لإنشاء هياكل رسومية إضافية.
  • مفكك التشفير (Decoder): يتنبأ مفككا تشفير منفصلان بالتغير في حجم المياه ($\Delta V$) وتغير تدفق المياه ($\Delta \vec{Q}$) للخطوة الزمنية التالية، والتي تُضاف إلى الحالة الحالية عبر اتصالات متبقية (residual connections).
• دالة الخسارة القائمة على الفيزياء: تدمج هدف التدريب قيوداً فيزيائية مستمدة من معادلات المياه الضحلة لفرض حفظ الكتلة على مستويين:
  • الخسارة العالمية ($L_{global}$): تضمن أن إجمالي تغير الحجم عبر الحوض المائي بالكامل يتوافق مع صافي التدفق الداخل/الخارج من الحدود وهطول الأمطار.
  • الخسارة المحلية ($L_{local}$): تفرض صراحةً توازن الكتلة على مستوى العقدة الفردية، من خلال موازنة التغيرات المتوقعة في حجم العقدة مقابل مجموع التدفقات الداخلة والخارجة من الحواف المتصلة.
• استراتيجية التدريب: للتعامل مع تراكم الأخطاء المتأصل في الاستدلال التكراري (autoregressive inference)، يستخدم النموذج استراتيجية التعلم المنهجي الديناميكي (dynamic curriculum learning). بدلاً من الجدول الزمني الثابت، يتم تمديد أفق التنبؤ فقط بعد أن يصل النموذج إلى مرحلة التقارب في مجموعة التحقق لطول الفترة الحالي. بالإضافة إلى ذلك، تُستخدم خسارة متعددة الخطوات للأمام أثناء عملية التمرير (rollout) لتشجيع المتانة ضد التنبؤات الضوضائية الخاصة بالنموذج نفسه.

المساهمات الرئيسية

1. قيود الفيزياء ثنائية المقياس: تقديم دالة خسارة قائمة على الفيزياء تعزز صراحةً حفظ الكتلة على كل من المستويات العالمية والمحلية، مما يضمن ديناميكيات فيضانات واقعية فيزيائياً ضمن المناطق الموضعية للشبكة الحسابية.
2. التنبؤ المشترك للعقد والحواف: بنية مبتكرة تتنبأ في وقت واحد بميزات العقد (الحجم) والحواف (التدفق) باستخدام توليد رسائل مشترك ومفككي تشفير منفصلين. يتجنب هذا النهج العبء الحسابي للرسوم البيانية الخطية مع الحفاظ على الارتباط الفيزيائي بين الحجم والتدفق.
3. التقييم الشامل: أول دراسة تقارن أداء مختلف نماذج الفيضانات القائمة على GNN، حيث تقارن البنية المقترحة مع نماذج GNN القياسية (GCN, GAT, GraphSAGE, GIN, GINE) والنماذج المتطورة المتخصصة في هذا المجال (HydroGraphNet, SWE-GNN).

النتائج التجريبية
تم تقييم النموذج على مجموعة بيانات مكونة من 56 حدث فيضان في حوض نهر "وولومبي" (نيو ساوث ويلز، أستراليا)، والتي تم تقسيمها إلى رسم بياني مكون من 1,129 عقدة و2,743 حافة.

• أداء الانحدار: حقق DUALFloodGNN أدنى جذر متوسط مربع الخطأ (RMSE) لكل من تنبؤات حجم المياه وتدفق المياه. لقد تفوق على ثاني أفضل نموذج (GINE) بنسبة 35.53% في التنبؤ بالحجم (RMSE: 2,216.27 مقابل 3,437.68 $m^3$) وحسن خطأ RMSE الأساسي للتدفق بنسبة 41.21% (25.88 مقابل 44.02 $m^3/s$).
• التنبؤ بالعمق والتصنيف: عند إعادة حساب عمق المياه، حقق النموذج RMSE قدره 0.21 م، وهو تحسن بنسبة 72.37% عن ثاني أفضل نموذج. كما حقق مؤشر النجاح الحرج (CSI) حوالي 0.90 لتصنيف مدى الفيضان عند عتبتي 0.05 م و0.3 م.
• الكفاءة: يحافظ النموذج على كفاءة حسابية عالية، حيث يبلغ وقت الاستدلال حوالي 4.1 ثانية لكل حدث، وهو ما يضاهي مناهج GNN الأخرى وأسرع بعدة مراتب من الحلول العددية (التي قد تستغرق يوماً كاملاً تقريباً لنفس الحدث).
• دراسات الاستئصال (Ablation Studies): أكدت التجارب أن تضمين ميزات التدفق العالمي ودمج التنظيم على المستوى المحلي أمران حاسمان للأداء. أظهرت النماذج التي تم تدريبها بدون قيود فيزيائية أو مع خسارة عالمية فقط أخطاءً أعلى بكثير.

الأهمية
تزعم الورقة أن DUALFloodGNN نجح في سد الفجوة بين سرعة النماذج القائمة على البيانات والدقة الفيزيائية للمحاكاة العددية. ومن خلال دمج القيود الفيزيائية مباشرة في عملية التعلم وتمكين التنبؤ المشترك بالمتغيرات الهيدرولوجية على شبكات غير منتظمة، يقدم النموذج حلاً قوياً، قابلاً للتفسير، وفعالاً حسابياً لنمذجة الفيضانات التشغيلية. ويضع المؤلفون هذا العمل كخطوة نحو أدوات أكثر موثوقية لإدارة الكوارث في الوقت الفعلي يمكنها التعامل مع التضاريس المعقدة وغير المنتظمة مع الالتزام بالقوانين الأساسية لديناميكيات السوائل.