HydroGAT：面向时空洪水预测的分布式异构图注意力转换器
机器学习
2025-09-03 v1 分布式、并行与集群计算
摘要
准确的洪水预测是水资源管理的难题，因为它需要建模局部、随时间变化的径流驱动因素（如降雨导致的峰值、基流趋势），以及河网范围内的复杂空间相互作用。传统的数据驱动方法，如卷积网络和序列模型，忽略了区域的拓扑信息。图神经网络（GNN）沿河网精确地传递信息，这对于学习水文路由理想。然而，现有的GNN-based洪水预测模型会将像素折叠为粗糙的流域多边形，因为图的规模和更高分辨率下的训练成本过高。此外，大多数现有方法将空间和时间依赖性分开处理，要么仅在空间图上应用GNN，要么纯粹在时间序列上应用转换器，从而无法同时捕获准确洪水预测所必需的时空相互作用。我们构建了一个异构流域图，其中每个土地和河流像素都是节点，通过物理水文流向和跨流域关系相连。我们提出HydroGAT，一个时空网络，能够自适应地学习局部时间重要性以及最具影响力的上游位置。我们在两个中西部美国流域中进行评估，并对比了五种基线架构。我们的模型在小时级径流预测中实现了更高的NSE（最高达0.97）、改进的KGE（最高达0.96），且偏差低（PBIAS在±5%内），同时提供了可解释的注意力图，揭示了稀疏且结构化的跨流域影响。为支持高分辨率流域规模的训练，我们开发了一个分布式数据并行管道，在NERSC Perlmutter超级计算机上可高效扩展至64个NVIDIA A100 GPU，实现了跨机器的最高15倍加速。我们的代码可在https://github.com/swapp-lab/HydroGAT获取。
引用
@article{arxiv.2509.02481,
title = {HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction},
author = {Aishwarya Sarkar and Autrin Hakimi and Xiaoqiong Chen and Hai Huang and Chaoqun Lu and Ibrahim Demir and Ali Jannesari},
journal= {arXiv preprint arXiv:2509.02481},
year = {2025}
}
备注
Accepted to The 33rd ACM International Conference on Advances in Geographic Information Systems (SIGSPATIAL 25)