Physics-informed Graph Neural Networks for Operational Flood Modeling

📄 arXiv: 2512.23964v1 📥 PDF

作者: Carlo Malapad Acosta, Herath Mudiyanselage Viraj Vidura Herath, Jia Yu Lim, Abhishek Saha, Sanka Rasnayaka, Lucy Marshall

分类: cs.LG, cs.AI

发布日期: 2025-12-30

备注: To be submitted to IJCAI

🔗 代码/项目: GITHUB

💡 一句话要点

提出DUALFloodGNN，融合物理信息的图神经网络用于快速洪水模拟

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 洪水建模 图神经网络 物理信息 水动力学 灾害管理

📋 核心要点

  1. 现有基于物理的洪水模型计算成本高昂，难以满足实际操作中快速预测的需求。
  2. DUALFloodGNN通过在GNN中嵌入物理约束，在全局和局部尺度上提高模型预测的准确性和可解释性。
  3. 实验表明，DUALFloodGNN在预测多个水文变量方面优于标准GNN和现有洪水模型，同时保持高效的计算性能。

📝 摘要（中文）

洪水模型通过模拟洪水的时空水动力学来为战略灾害管理提供信息。虽然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实际操作环境中的使用。图神经网络（GNN）模型在处理非结构化空间域时，兼具速度和准确性。鉴于其灵活的输入和架构，GNN可以轻松地与物理信息技术结合使用，从而显著提高可解释性。本研究提出了一种新的洪水GNN架构DUALFloodGNN，该架构通过显式损失项在全局和局部尺度上嵌入物理约束。该模型通过共享的消息传递框架联合预测节点处的水量和沿边的流量。为了提高自回归推理的性能，模型训练采用多步损失，并辅以动态课程学习。与标准GNN架构和最先进的GNN洪水模型相比，DUALFloodGNN在预测多个水文变量方面取得了显著的改进，同时保持了较高的计算效率。该模型已在https://github.com/acostacos/dual_flood_gnn开源。

🔬 方法详解

问题定义：论文旨在解决在实际洪水预测中，传统基于物理的数值模型计算成本过高的问题。现有方法难以在保证精度的同时，满足快速预测的需求，限制了其在灾害管理中的应用。

核心思路：论文的核心思路是将物理信息融入到图神经网络中，利用GNN处理非结构化空间数据的能力，同时通过物理约束提高模型的准确性和可解释性。DUALFloodGNN通过显式的损失函数，在全局和局部尺度上嵌入物理规律，从而实现更精确的洪水模拟。

技术框架：DUALFloodGNN采用消息传递框架，联合预测节点处的水量和边上的流量。模型主要包含以下模块：1) 图构建模块，用于将研究区域离散化为图结构；2) 消息传递模块，用于在节点和边之间传递信息，更新节点和边的状态；3) 物理约束模块，通过损失函数将物理规律嵌入到模型中；4) 预测模块，用于预测节点水量和边流量。

关键创新：DUALFloodGNN的关键创新在于其双重物理信息嵌入方式。一方面，通过全局损失函数，例如水量守恒定律，约束整个图的预测结果。另一方面，通过局部损失函数，例如曼宁公式，约束相邻节点和边之间的流量关系。这种双重约束能够更有效地利用物理信息，提高模型的预测精度和泛化能力。

关键设计：模型使用多步损失函数进行训练，以提高自回归推理的性能。同时，采用动态课程学习策略，逐渐增加训练难度，使模型能够更好地适应复杂的洪水场景。损失函数包括水量预测损失、流量预测损失、全局水量守恒损失和局部曼宁公式损失。网络结构采用图卷积网络（GCN）或图注意力网络（GAT）作为消息传递模块。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DUALFloodGNN在多个洪水模拟实验中表现出色，相较于标准GNN架构和现有GNN洪水模型，在预测节点水量和边流量方面均取得了显著提升。具体性能数据在论文中给出，表明该模型在保持计算效率的同时，显著提高了洪水预测的准确性。开源代码也为后续研究提供了便利。

🎯 应用场景

该研究成果可应用于实时洪水预警、灾害风险评估和应急响应决策。通过快速准确地模拟洪水演进过程，可以帮助政府和相关机构更好地制定防洪减灾措施，减少人员伤亡和财产损失。此外，该模型还可以用于城市规划和基础设施建设，评估不同方案的防洪能力，提高城市应对洪涝灾害的能力。

📄 摘要（原文）

Flood models inform strategic disaster management by simulating the spatiotemporal hydrodynamics of flooding. While physics-based numerical flood models are accurate, their substantial computational cost limits their use in operational settings where rapid predictions are essential. Models designed with graph neural networks (GNNs) provide both speed and accuracy while having the ability to process unstructured spatial domains. Given its flexible input and architecture, GNNs can be leveraged alongside physics-informed techniques with ease, significantly improving interpretability. This study introduces a novel flood GNN architecture, DUALFloodGNN, which embeds physical constraints at both global and local scales through explicit loss terms. The model jointly predicts water volume at nodes and flow along edges through a shared message-passing framework. To improve performance for autoregressive inference, model training is conducted with a multi-step loss enhanced with dynamic curriculum learning. Compared with standard GNN architectures and state-of-the-art GNN flood models, DUALFloodGNN achieves substantial improvements in predicting multiple hydrologic variables while maintaining high computational efficiency. The model is open-sourced at https://github.com/acostacos/dual_flood_gnn.