A novel framework for multi-step water level predicting by spatial–temporal deep learning models based on integrated physical models

期刊：Journal of hydrology
时间：2025
原文链接：https://doi.org/10.1016/j.jhydrol.2025.133683
📌 一、现有研究局限性（作者归纳）

类别 具体表现

1. 物理机制缺失 纯数据驱动深度学习模型（CNN、LSTM、Transformer）未显式引入水动力/质量守恒，导致极端事件（洪水峰、枯水谷）预测偏差大。
2. 多步误差累积 现有“直接多步”或“迭代单步”策略在预见期>3 d时，误差呈指数级放大（>30 %）。
3. 空间交互粗糙 传统 ST-DL 把上游-下游关系简化为“邻接矩阵”或“欧氏距离”，忽视河道地形、闸泵调度等真实拓扑。
4. 数据稀缺与异构 水位、流量、降雨、蒸发数据来自不同部门，时空分辨率不匹配（15 min vs 日尺度），导致模型训练缺失关键边界。
5. 可解释性差 黑箱模型难以满足水利部“可解释、可验证、可信任”的预报规范（SL/T 278-2020）。

✅ 二、本文创新点（作者宣称的“3+2”框架）

创新维度 技术实现 带来的优势

1. 物理引导的时空编码器（Phy-STE） 在水动力方程（1D Saint-Venant）离散残差基础上，增加“物理损失”（质量守恒、动量守恒）。 训练阶段强制水位-流量一致性，极端峰谷误差↓42 %。
2. 多尺度动态图（MDG） 以真实河道断面为节点，曼宁糙率+底坡为边权，动态更新图结构（每日一更新）。 空间交互可解释为“上游来水+本地降雨-下游顶托”。
3. 课程式多步预测（Curriculum-DL） 先训 1 d→再训 3 d→最后 7 d，逐步放大预见期；并引入物理补偿误差校正（PSEC）模块。 7 d 预测NS 系数仍>0.90，而传统 LSTM 仅 0.68。
4. 物理-数据混合损失 总损失 = 数据损失 + 物理残差损失 + 时空平滑损失 + 多步一致性损失。 在小样本（<1 年）场景下，MAE↓28 %。
5. 可解释输出 提供节点级贡献度（上游来水占 63 %、本地雨 25 %、闸泵 12 %），符合水文审图要求。 已通过水利部专家知识库审核，具备业务化上线条件。

🧪 三、实验内容

3.1 研究区与数据

项目 内容
流域 湘江下游（湘潭-长沙-岳阳）+ 洞庭湖出口（城陵矶）
时间 2018-2023 年，共 6 个汛期
数据 ① 水位：8 站，15 min；② 流量：4 站，日；③ 降雨：CMFD 1 km/1 h；④ 蒸发：MOD16A2；⑤ 闸泵调度：湖南省水文中心（加密）
极端事件 2020-07-12 超警洪水（重现期≈20 a）、2022-09-02 历史枯水

3.2 基准模型

• 传统水文：HEC-RAS 1D、MIKE 11
• 纯数据驱动：ST-LSTM、ST-GCN、ASTGCN、ConvLSTM、Transformer
• 物理-数据混合：PhyCNN、HydroLSTM、PDE-Learning

3.3 评估指标

• 确定性：MAE、RMSE、NSE、R²
• 极值：峰值误差（Peak-Error）、峰现时差（Time-Lag）
• 多步稳定性：α-指数（误差增长率）
• 可解释：节点贡献度、物理残差分布

📈 四、主要结果（作者图表数据摘要）

预见期 模型 MAE (cm) NSE Peak-Error (%) Time-Lag (h)
1 d ST-LSTM 18.3 0.91 8.7 1.2
1 d Phy-STE (本文) 11.7 0.96 4.2 0.3
3 d ASTGCN 31.5 0.79 15.6 3.5
3 d 本文 19.4 0.93 7.1 1.1
7 d HEC-RAS 45.2 0.65 22.3 5.0
7 d 本文 26.8 0.90 9.8 2.0

• 物理残差：质量守恒误差均值 0.3 %（最大 1.1 %），满足 SL/T 278-2020 规范（<2 %）。
• 小样本测试：仅用 2022 年 1 个月数据微调，MAE 仍<30 cm，而 ST-GCN 已>50 cm。
• 消融实验：去掉物理损失 → NSE↓0.07；去掉 MDG→NSE↓0.05；去掉课程式→多步误差↑19 %。

✅ 五、作者结论（一句话提炼）

“把一维圣维南方程残差嵌入动态图神经网络，再以课程式多步训练策略，就能在数据稀缺、极端事件、长预见期三大痛点下，同时实现高精度、高可解释、高一致性的水位预测——且代码与模型已开源，可直接嵌入水利部现有的湘江数字孪生平台。”

📦 六、开源与可用资源

内容 地址 备注
官方代码（PyTorch 1.13） https://github.com/HHU-STL/Phy-STE 含数据预处理、训练、评估、可视化
样本数据 同上 /data 文件夹 2018-2023 湘潭-城陵矶 8 站 15 min 水位
预训练权重 同上 /weights 可直接推理 1 d/3 d/7 d
使用手册 /docs/Phy-STE_UserGuide.pdf 中文，30 页，含参数表