基于拓扑感知 AI 基础模型的全球河流预测
机器学习
2026-02-27 v1 地球物理
摘要
河流系统作为本质上相互关联的连续网络，水动力仿真本应是系统性的过程。然而，广泛的水文数据稀缺常常限制数据驱动预测仅能进行孤立的预测。为实现系统性仿真并减少对河流观测的依赖，本文提出GraphRiverCast（GRC），这是一套基于拓扑感知的 AI 基础模型，旨在模拟全球河流系统中的多变量水动力学。GRC 能够以“ColdStart”模式运行，在不依赖历史河流状态初始化的情况下生成预测。在 7 天的全球伪后验测试中，GRC-ColdStart 作为一个稳健的独立仿真器，实现了约为 0.82 的纳什-萨特克利夫效率（NSE），且未出现自回归范式中典型的显著误差积累。消融研究表明，在缺乏历史状态的情况下，拓扑编码作为不可或缺的结构信息，显式引导水力连通性和网络规模的质量再分配，以重构流动动力学。此外，当通过预训练和微调策略在局部环境中进行适配时，GRC 持续优于基于物理的模型和在各地训练的 AI 基准。关键在于，这一优势从受测站点延伸至整个河网，凸显了拓扑编码和基于物理的预训练的必要性。GRC 基于物理对齐的神经算子架构，实现了快速的跨尺度自适应仿真，建立了连接全球水动力知识与局部水文现实的协作范式。
引用
@article{arxiv.2602.22293,
title = {Global River Forecasting with a Topology-Informed AI Foundation Model},
author = {Hancheng Ren and Gang Zhao and Shuo Wang and Louise Slater and Dai Yamazaki and Shu Liu and Jingfang Fan and Shibo Cui and Ziming Yu and Shengyu Kang and Depeng Zuo and Dingzhi Peng and Zongxue Xu and Bo Pang},
journal= {arXiv preprint arXiv:2602.22293},
year = {2026}
}
备注
26 pages, 5 figures, 3 extended data tables, 3 extended data figures