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

技术摘要：DUALFloodGNN

问题陈述
洪水建模对于战略灾害管理至关重要，然而传统的基于物理的数值模型面临一个重大瓶颈：其高昂的计算成本限制了它们在需要快速、实时预测的运营环境中的实用性。虽然数据驱动的深度学习（DL）模型提供了速度优势，但卷积神经网络（CNN）等标准架构受限于其对结构化网格的依赖，无法充分表征洪水场景中典型的不规则地形和非均匀流体动力学。此外，许多深度学习模型充当“黑盒”，缺乏确保与流体动力学定律一致所需的物理可解释性。现有的用于洪水建模的图神经网络（GNN）方法往往难以在局部尺度上强制执行质量守恒，或者需要计算成本高昂的转换（例如线图）来同时预测边特征和节点特征。

方法论
作者提出了DUALFloodGNN（Double-target Universally And Locally constrained Flood GNN，双重目标全局与局部约束洪水图神经网络），这是一种新颖的物理信息 GNN 架构，旨在同时预测节点处的水体体积和沿边的水流。

• 架构：该模型采用编码 - 处理 - 解码框架。
  • 编码器：使用多层感知机（MLP）将静态和动态节点特征（例如高程、体积）以及边特征分别编码到统一的潜在空间中。
  • 处理器（共享消息传递）：与需要线图的先前方法不同，DUALFloodGNN 利用共享的消息传递机制。消息基于节点和边嵌入生成（$m_{ji} = \text{MLP}(h_i || h_j || e_{ij})$）。这些消息被聚合以通过求和更新节点嵌入，而边嵌入则直接被消息覆盖。这种设计保留了流的矢量特性，并允许在不生成辅助图结构的情况下进行联合建模。
  • 解码器：两个独立的解码器预测下一个时间步的水体体积变化（$\Delta V$）和水流变化（$\Delta \vec{Q}$），并通过残差连接将其添加到当前状态。
• 物理信息损失函数：训练目标整合了源自浅水方程的物理约束，以在两个尺度上强制执行质量守恒：
  • 全局损失（$L_{global}$）：确保整个集水区内的总体积变化与净边界流入/流出及降雨量相匹配。
  • 局部损失（$L_{local}$）：在单个节点级别明确强制执行质量平衡，平衡预测的节点体积变化与来自相连边的流入和流出之和。
• 训练策略：为了处理自回归推理中固有的误差累积，该模型采用动态课程学习策略。预测视界仅在模型在当前长度上于验证集收敛后才进行扩展，而非采用固定时间表。此外，在 rollout 过程中使用多步向前损失，以增强模型对其自身噪声预测的鲁棒性。

主要贡献

1. 双尺度物理约束：引入了一种物理信息损失函数，明确促进全局和局部尺度的质量守恒，确保计算网格局部区域内洪水动力学的物理真实性。
2. 联合节点 - 边预测：一种新颖的架构，利用共享消息生成和两个独立的解码器同时预测节点（体积）和边（流量）特征。这种方法避免了线图的计算开销，同时保留了体积与流量之间的物理相关性。
3. 全面的基准测试：这是第一项在不同基于 GNN 的洪水模型之间进行性能基准测试的研究，将所提出的架构与标准 GNN（GCN、GAT、GraphSAGE、GIN、GINE）以及最先进的领域特定模型（HydroGraphNet、SWE-GNN）进行了比较。

实验结果
该模型在来自澳大利亚新南威尔士州 Wollombi 河流域的 56 次洪水事件数据集上进行了评估，该数据集被离散化为包含 1,129 个节点和 2,743 条边的图。

• 回归性能：DUALFloodGNN 在水体体积和流量预测中均实现了最低的均方根误差（RMSE）。在体积预测方面，它比第二好的模型（GINE）高出 35.53%（RMSE：2,216.27 对比 3,437.68 $m^3$）；在流量预测方面，基线 RMSE 提高了 41.21%（25.88 对比 44.02 $m^3/s$）。
• 水深预测与分类：在反算水深时，该模型实现了 0.21 米的 RMSE，比第二好的模型提高了 72.37%。在 0.05 米和 0.3 米阈值下，其洪水范围分类的临界成功指数（CSI）均约为 0.90。
• 效率：该模型保持了高计算效率，单次事件的推理时间约为 4.1 秒，与其他 GNN 方法相当，且比数值求解器快几个数量级（数值求解器处理相同事件可能需要近一天时间）。
• 消融实验：实验证实，包含全局流入特征和整合局部级正则化对性能至关重要。在没有物理约束或仅使用全局损失的情况下训练的模型显示出显著更高的误差。

意义
该论文声称，DUALFloodGNN 成功弥合了数据驱动模型的速度与数值模拟的物理保真度之间的差距。通过将物理约束直接嵌入学习过程，并实现在非结构化网格上对水文变量的联合预测，该模型为运营级洪水建模提供了一种稳健、可解释且计算高效的解决方案。作者将这项工作定位为迈向更可靠、实时灾害管理工具的一步，这些工具能够处理复杂、不规则的地形，同时遵守流体动力学的基本定律。