DUALFloodGNN：用于业务化洪水模拟的物理信息图神经网络
机器学习
2026-05-12 v2 人工智能
摘要
洪水模型通过模拟洪水的时空水动力学为战略灾害管理提供信息。尽管基于物理的数值洪水模型很准确，但其巨大的计算成本限制了它们在需要快速预测的业务化场景中的应用。基于图神经网络（GNN）设计的模型兼具速度与准确性，同时具备处理非结构化空间域的能力。凭借其灵活的输入与架构，GNN可以轻松地与物理信息技术相结合，从而显著提升可解释性与泛化能力。我们提出了一种新颖的洪水GNN架构DUALFloodGNN，该架构通过显式损失项在全局与局部尺度上嵌入了物理约束。该模型通过共享的消息传递框架，联合预测节点处的水量与边上的水流。为了提升自回归推理的性能，模型训练采用了结合动态课程学习的多步损失。与标准GNN架构和SOTA GNN洪水模型相比，DUALFloodGNN在预测多种水文变量（如水量、水流和水深）方面取得了显著改善，同时保持了高计算效率。该模型已在 https://github.com/acostacos/dual_flood_gnn 开源。数据集已在 https://hdl.handle.net/2123/35293 开源，DOI 为 10.25910/9xav-0s86。
引用
@article{arxiv.2512.23964,
title = {DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling},
author = {Carlo Malapad Acosta and Herath Mudiyanselage Viraj Vidura Herath and Jia Yu Lim and Abhishek Saha and Sanka Rasnayaka and Lucy Marshall},
journal= {arXiv preprint arXiv:2512.23964},
year = {2026}
}
备注
Accepted for publication at the IJCAI-ECAI 2026 AI4Tech track