Skip to content

松辽流域洪水预报实验案例

基于 experiments/train_with_wdne.py 配置文件

1. 四模型对比总览

模型 文件 图结构 站点数据 适用场景
Basin LSTM train_basin_lstm.py 无 不需要 只有流域平均降雨，无站点数据
LSTM-only train_with_wdne.py → Baseline_LSTM_only 无 需要 有站点但图结构不明确
LSTM+GNN train_with_wdne.py → Baseline_LSTM_GNN 静态GCN 需要 密集时空交互，稳定首选
WDNE train_with_wdne.py → WDNEAdaptiveRoutingNet 自适应路由 需要 有静态属性+复杂河网

2. 模型架构详解

2.1 Basin LSTM — 最简单基线

1
流域平均降雨 → LSTM → 输出
  • 输入: 流域级 rain (CSV文件中的basin平均降雨)
  • 不使用站点数据, 不使用图结构
  • 数据集: FloodEventDataset，source_cfgs={"dataset_id": "selfmadehydrodataset"}
  • 模型: SimpleLSTM
  • 运行: python experiments/train_basin_lstm.py
  • 优点: 最简单，1.5s/epoch，不需要图和站点
  • 缺点: 无法利用空间信息

2.2 LSTM-only — 站点级无图

1
站点DRP [N,84,1] → LSTM → [N,84,hidden] → mean_pool → [B,12,1]
  • 输入: 站点级 DRP (每个站点独立)
  • 无图结构, 所有站点独立 LSTM 编码后平均池化
  • 模型: SpatioTemporalFloodNet3D, use_gnn=False, use_lstm=True
  • 优点: 利用了站点数据，比 Basin LSTM 信息更丰富

2.3 LSTM+GNN — 密集时空交互 (当前最优基线)

1
2
3
4
站点DRP [N,84,1]
  → LSTM → [N,84,H]
  → 每个时间步独立GCN (84次空间交互)
  → mean_pool → [B,12,1]
  • 图结构: 静态 GCNConv，每个时间步做一次（84次/序列）
  • 边方向: downstream = 上游→下游（原始 ID→NEXTDOWNID）
  • 模型: SpatioTemporalFloodNet3D, use_gnn=True, use_lstm=True
  • 关键参数: num_hidden=2 (GCN层数), gnn_type="gcn2", aggregation="mean"
  • 优点: 密集时空交互，最稳定（avg NSE 0.58）

2.4 WDNE — 自适应路由图网络

1
2
3
4
5
6
7
站点DRP [N,84,1]
  → 拓扑特征计算 (入度/出度/上游深度/到出口距离)
  → 结构嵌入 [N,16]
  → LSTM逐步 → base_prediction [N,12,1]
  → 自适应图传播 (route_steps=4次) → graph_correction
  → output = base_prediction + correction
  → root_output: 取出度=0的节点(出口)预测
  • 核心创新:
  • 拓扑编码: 每个节点的河流角色被编码为向量
  • 自适应路由: 边权重不是固定的，由当前气象条件+节点状态动态计算
  • 门控更新: sigmoid gate 控制新旧信息比例
  • 结构分离: LSTM做基础预测, 图传播做修正
  • 模型: WDNEAdaptiveRoutingNet (继承自 WDNEInspiredFloodNet)
  • 优点: 加静态属性后 avg NSE 0.64, 21401550达0.89
  • 注意: 需要 route_steps≥图深度才能让上游信息传到出口

3. 配置文件说明

3.1 当前配置 (train_with_wdne.py)

必须根据流域修改的参数:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
# ===== 数据 =====
gage_id = ["songliao_20800900", ...]       # 流域ID列表
train_period = ["1980-01-01-02", "2014-12-31-23"]  # 训练时段
valid_period = ["2015-01-01-02", "2018-12-31-23"]  # 验证时段
test_period  = ["2019-01-01-02", "2024-12-31-23"]  # 测试时段

# ===== 特征 =====
var_t = ["rain"]                            # 时序输入变量
var_c = ["None"]                            # 静态属性(实验2用)
var_out = ["inflow", "flood_event"]         # 输出变量
station_cols = ["DRP"]                      # 站点级变量

# ===== 图结构 =====
edge_orientation = "downstream"             # 边方向: downstream=上→下
adjacency_src_col = "ID"                    # 邻接矩阵源列
adjacency_dst_col = "NEXTDOWNID"            # 邻接矩阵目标列
adjacency_weight_col = None                 # 边权重列(None=等权重)

# ===== 时间窗口 =====
warmup_length = 72      # 预热步数 (72×3h=216h=9天)
hindcast_length = 0     # 回望步数
forecast_length = 12    # 预测步数 (12×3h=36h)

模型超参数:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
# Baseline (LSTM-only / LSTM+GNN)
hidden_channels = 32   # LSTM隐藏维度
num_hidden = 2         # GNN层数
gnn_type = "gcn2"      # GNN类型: gcn/gat/gcn2
aggregation = "mean"   # 节点聚合: mean/attention/multiscale

# WDNE 专属
route_steps = 4        # 图传播步数 (应 ≥ 流域最大深度)
route_decay = 0.5      # 远距离衰减系数 (0-1, 越小越激进)
route_residual_scale = 1.0  # 图修正权重
structure_embedding_dim = 16  # 结构嵌入维度
topology_encoder_type = "mlp"  # 拓扑编码器: mlp/gcn
graph_output_mode = "residual"  # 输出模式: residual/blend_residual/main
root_output_mode = "root"       # 提取模式: root(出口)/mean(平均)
local_lstm_layers = 1   # 局部LSTM层数
dropout = 0.3           # Dropout比例

3.2 根据流域实际情况修改指南

衰减系数 route_decay 的设置

route_decay 控制信息每跳衰减多少：decay^hops = 剩余信号比例。

河网最大深度 建议 decay 最深节点衰减 说明
2-3跳 0.5 0.5²=25% 浅河网,低衰减足够
4-5跳 0.6-0.7 0.7⁴=24% 中等深度
6-7跳 0.7-0.8 0.8⁶=26% 深河网,需高衰减系数
8跳以上 0.8-0.85 0.85⁸=27% 非常深的河网

原则: 最上游节点到出口的信号剩余应≥20-30%，否则上游信息传不到。

其他关键参数

流域特征 修改参数 建议值 原因
河网深度大 route_steps ≥深度 保证上游信息传到底
河网深度小 route_steps 2-3, decay可低 避免过拟合
站点数多 (>50) hidden_channels 64-128 更大容量
站点数少 (<10) hidden_channels 16-32 防过拟合
有静态属性 var_c + use_basin_features 设为True WDNE可利用
无站点数据 使用Basin LSTM — 不需要图结构
边方向不确定 edge_orientation downstream 上→下, 当前默认
训练数据少 dropout + patience 0.3-0.5, 15 强正则化
预报时长不同 forecast_length 自定义 输出长度对应

3.3 四种模型分别如何配置

Basin LSTM — 不需要图和站点

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
# 直接运行
python experiments/train_basin_lstm.py

# 核心配置 (train_basin_lstm.py 中)
model_name = "SimpleLSTM"
dataset = "FloodEventDataset"
var_t = ["rain"]        # 流域平均降雨
var_c = ["None"]        # 不加静态属性
source_cfgs = {"dataset_id": "selfmadehydrodataset"}  # 数据源
batch_size = 8
model_hyperparam = {
    "input_size": 1,     # 降雨特征数
    "output_size": 1,    # 输出径流
    "hidden_size": 64,   # LSTM隐藏维度
}

何时选择: 没有站点数据，只有流域平均降雨。最快，1.5s/epoch。

LSTM-only — 有站点，不要图

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
python experiments/train_with_wdne.py Baseline_LSTM_only normal

# 配置 (train_with_wdne.py 中)
"Baseline_LSTM_only": {
    "model_name": "SpatioTemporalFloodNet3D",
    "model_type": "baseline",
    "hidden_channels": 32,   # LSTM隐藏维度
    "use_gnn": False,        # 关闭GNN ← 关键!
    "use_lstm": True,
    "aggregation": "mean",   # 所有站点平均池化
}

何时选择: 有站点数据但河网结构不清晰，或者简单流域不需要空间交互。

LSTM+GNN — 密集时空交互(当前最优)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
python experiments/train_with_wdne.py Baseline_LSTM_GNN normal

# 配置
"Baseline_LSTM_GNN": {
    "model_name": "SpatioTemporalFloodNet3D",
    "model_type": "baseline",
    "hidden_channels": 32,
    "use_gnn": True,         # 开启GNN ← 关键!
    "use_lstm": True,
    "num_hidden": 2,         # GCN层数
    "gnn_type": "gcn2",      # GCN/GAT/GCN2
    "aggregation": "mean",   # 聚合方式
    "edge_orientation": "downstream",  # 上→下
}

何时选择: 有站点+河网，需要空间交互但不需要复杂路由。默认首选。

WDNE — 自适应路由

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
python experiments/train_with_wdne.py WDNEAdaptiveRoutingNet normal

# 配置
"WDNEAdaptiveRoutingNet": {
    "model_name": "WDNEAdaptiveRoutingNet",
    "model_type": "wdne_adaptive",
    "hidden_channels": 32,
    "structure_embedding_dim": 16,   # 结构嵌入维度
    "route_steps": 4,                # 图传播步数 ← 根据流域深度!
    "route_decay": 0.5,              # 衰减系数 ← 根据流域深度!
    "graph_output_mode": "residual", # residual/blend_residual/main
    "root_output_mode": "root",      # root(出口)/mean(平均)
    "topology_encoder_type": "mlp",  # mlp/gcn
    "local_lstm_layers": 1,
    "dropout": 0.3,
}

何时选择: 有静态属性+复杂河网+多流域，自适应路由能利用流域特征差异。

route_steps + route_decay 联动设置: 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
# 浅河网 (2-3跳)
route_steps = 3
route_decay = 0.5

# 中等河网 (4-5跳)
route_steps = 5
route_decay = 0.7

# 深河网 (6-8跳)  
route_steps = 8
route_decay = 0.8

加静态属性的WDNE: 

1
2
3
python experiments/train_with_wdne.py WDNE_static normal
# 自动使用5个流域 + 5个静态属性字段
# attribute_encoder 会把静态属性编码到结构嵌入中


1
2
3
4
5
6
7
# 在 train_with_wdne.py 中
use_static = True
var_c = ["ele_mt_sav", "slp_dg_sav", "for_pc_sse", "pre_mm_syr", "run_mm_syr"]
use_basin_features = True
num_static_features = len(var_c)  # = 5
in_channels = num_features + len(var_t)  # DRP + rain
# num_static_features 会自动传给 WDNE 的 attribute_encoder

可用静态属性（从 attributes/attributes.csv）: - area — 面积 (km²) - ele_mt_sav — 平均海拔 (m) - slp_dg_sav — 平均坡度 (°) - for_pc_sse — 森林覆盖率 (%) - pre_mm_syr — 年均降水 (mm) - run_mm_syr — 年均径流 (mm) - pet_mm_syr — 年均潜在蒸散发 (mm) - soc_th_sav — 土壤有机碳 - cly_pc_sav — 黏土含量

3.4 单流域训练

1
2
3
4
5
# 方法1: 命令行参数
python experiments/train_with_wdne.py WDNEAdaptiveRoutingNet normal --gage_id songliao_21401550

# 方法2: 修改配置
example_gage_ids = ["songliao_21401550"]  # 只保留一个

3.5 空间敏感性测试

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
# 1. 定义流域拓扑 (data_sets.py WATERSHED_TOPOLOGY)
'21401550': {
    'upstream_stations': ['21422650'],    # 上游站点
    'midstream_stations': ['21401500'],    # 中游站点
    'downstream_stations': ['21401550'],   # 下游站点(出口)
}

# 2. 运行测试
python experiments/eval_spatial.py
# 生成 normal/sim1/sim2/sim3 四种情景的预测结果

4. 快速开始

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
# 训练所有模型
python experiments/train_with_wdne.py Baseline_LSTM_only normal
python experiments/train_with_wdne.py Baseline_LSTM_GNN normal
python experiments/train_with_wdne.py WDNEAdaptiveRoutingNet normal

# 加静态属性
python experiments/train_with_wdne.py LSTM_only_static normal
python experiments/train_with_wdne.py LSTM_GNN_static normal
python experiments/train_with_wdne.py WDNE_static normal

# 查看结果
cat results/{模型名}/songliao_3h_normal/metric_inflow.csv

# 绘图
python plot_all_final.py  # 在项目根目录

5. 当前已知限制

  1. 站点DRP高度相关: 同流域所有站点降雨几乎一致，限制自适应路由发挥
  2. 6个流域偏少: WDNE需要更多样化的河网来泛化
  3. 21100150深度7: route_steps=4不够，需针对性调参
  4. 无历史径流输入: 纯降雨驱动，可考虑加入lag inflow
  5. Basin LSTM未随edge fix更新: 无图结构，不受影响

6. WDNE 超参数调优

1
uv run python experiments/tune_wdne.py
  • 模型：WDNEAdaptiveRoutingNet
  • 数据：stationhydrodataset（松辽站点数据）
  • 用途：网格搜索 hidden_channels、route_steps、route_decay 等超参数
  • 支持 MPI 并行：mpirun -n 4 python experiments/tune_wdne.py