HydroGEM：面向大尺度河流量质量控制的自监督零样本混合 TCN Transformer 基础模型
人工智能
2026-03-06 v3
摘要
传感器网络的进展使得实时流量排放监测成为可能，但持续的传感器故障限制了数据的实用性。手动质量控制无法扩展到年产生数百万测量值的网络。我们引入 HydroGEM，一个面向大尺度河流量质量控制的基础模型，旨在支持人类专家。HydroGEM 使用来自 3724 个美国 USGS 站点的 603 万条干净序列进行自监督预训练，以学习通用的水文表示，然后使用合成异常进行微调进行检测和重建。混合 TCN-Transformer 架构（142 万参数）捕获局部和长程时间依赖性，分层归一化处理排放量的六个数量级。在 799 个站点的 18 种合成异常类型（基于 USGS 标准）上，HydroGEM 的检测 F1=0.792，重建误差降低 68.7%，超过最强基线 36.3%。在 100 个 Environment and Climate Change Canada 站点进行的跨国验证中使用宽容评估（±24 小时缓冲），HydroGEM 实现了宽容 F1=0.70，90.1% 的段级事件检测，显示出跨国泛化能力。该模型在不同纠正幅度下保持一致的检测水平，并与操作性季节模式一致，在冬季冰霜期间的旗帜峰值与水文学家的纠正行为相匹配。架构上的分离将简化的训练异常与复杂的测试异常分开，确认性能反映的是所学的水文测量原理而非模式记忆。
关键词
引用
@article{arxiv.2512.14106,
title = {HydroGEM: A Self Supervised Zero Shot Hybrid TCN Transformer Foundation Model for Continental Scale Streamflow Quality Control},
author = {Ijaz Ul Haq and Byung Suk Lee and Julia N. Perdrial and David Baude},
journal= {arXiv preprint arXiv:2512.14106},
year = {2026}
}
备注
Supplementary materials, datasets, and implementation code will be made publicly available upon acceptance for publication in a peer-reviewed journal