[论文解读] Physics-Guided Recurrent Graph Networks for Predicting Flow and Temperature in River Networks

Xiaowei Jia, Jacob A. Zwart+9 more|arXiv (Cornell University)|Sep 26, 2020

Hydrological Forecasting Using AI参考文献 23被引用 8

一句话总结

本文提出物理引导的循环图网络（PGRGrN），一种混合机器学习模型，将基于物理的模拟与图神经网络相结合，用于预测河流网络中的径流量和水温。通过利用物理模型的预训练以及对比损失函数以平衡各河段的表现，PGRGrN仅使用0.1%的观测数据，便在水温预测上较最先进物理模型提升33%，在径流预测上提升14%。

ABSTRACT

This paper proposes a physics-guided machine learning approach that combines advanced machine learning models and physics-based models to improve the prediction of water flow and temperature in river networks. We first build a recurrent graph network model to capture the interactions among multiple segments in the river network. Then we present a pre-training technique which transfers knowledge from physics-based models to initialize the machine learning model and learn the physics of streamflow and thermodynamics. We also propose a new loss function that balances the performance over different river segments. We demonstrate the effectiveness of the proposed method in predicting temperature and streamflow in a subset of the Delaware River Basin. In particular, we show that the proposed method brings a 33\%/14\% improvement over the state-of-the-art physics-based model and 24\%/14\% over traditional machine learning models (e.g., Long-Short Term Memory Neural Network) in temperature/streamflow prediction using very sparse (0.1\%) observation data for training. The proposed method has also been shown to produce better performance when generalized to different seasons or river segments with different streamflow ranges.

研究动机与目标

• 解决在观测数据稀疏且存在复杂物理相互作用的河流网络中预测流量与水温的挑战。
• 克服纯数据驱动的机器学习模型在未观测或监测不足的河段上泛化能力差的局限性。
• 将基于物理的模拟整合进机器学习框架，以提升在低数据条件下的泛化能力与鲁棒性。
• 开发统一模型，捕捉跨互联河段的时空依赖关系，而非独立建模每个河段。
• 通过新型损失函数提升模型在全局网络层面与单个河段层面预测性能。

提出的方法

• 该方法采用循环图神经网络（RGrN）架构，将河段视为图中的节点，其水文相互作用视为边，从而捕捉随时间演化的上游-下游动态。
• 利用基于物理模型的模拟数据进行预训练，以初始化模型权重，传递对水文过程的先验知识。
• 引入对比损失函数以平衡各河段的表现，减少对观测充分河段的偏倚，提升对观测不足河段的泛化能力。
• 模型引入时延消息传递机制（公式5），以模拟上游流量对下游温度与流量的时滞影响。
• 采用混合损失函数，结合观测变量的监督损失与对比损失，以在数据稀缺条件下提升表征学习能力。
• 对超参数如λ（监督损失权重）和γ（对比损失权重）进行调优，以平衡物理一致性与数据保真度。

实验结果

研究问题

• RQ1 在仅使用极少观测数据的情况下，是否能够通过整合基于物理模拟的机器学习模型，超越纯数据驱动或纯物理模型在预测河流流量与水温方面的表现？
• RQ2 图模型如何有效捕捉互联河段之间的时空依赖关系，同时保持物理合理性？
• RQ3 在物理模拟数据上进行预训练，能在多大程度上提升模型对未观测或低流量河段的泛化能力？
• RQ4 如何设计损失函数，以在河流网络中平衡观测充分与观测不足河段的性能表现？
• RQ5 与现有模型相比，该方法在不同季节和水文条件下是否展现出更好的泛化能力？

主要发现

• 当仅使用0.1%的观测数据进行训练时，PGRGrN在水温预测上较最先进物理模型提升33%，在径流预测上提升14%。
• 仅使用冬季数据进行训练时，PGRGrN在夏季预测中的温度均方根误差（RMSE）降低至1.416 ± 0.019，优于次优模型（RNN ptr）的22.5%。
• 采用对比训练的PGRGrN（PGRGrN ptr,ctr）在所有测试场景中均达到最低RMSE，表明其对数据稀疏性和季节性变化具有强鲁棒性。
• 该模型在未见河段及不同流量范围下表现出更好的泛化能力，表明其迁移能力优于传统RNN或ANN。
• 敏感性分析表明，模型对超参数变化具有鲁棒性，当λ与γ适度调优时性能最优。
• 引入时延上游影响（最长5天）可提升预测精度，证实了时间滞后在水文动力学中的重要性。