CrayPulse：基于时序图神经网络的实时流域异常监测系统

CrayPulse是基于时序图神经网络的实时流域异常监测系统，聚焦城市水系健康监测，整合劳伦斯伯克利国家实验室气象数据与传感器遥测信息，构建异常检测与预警系统，应用于加州大学伯克利分校附近的草莓溪流域，实现对溪流健康状况的实时评估和异常事件早期预警。

项目背景与意义

城市水生态系统的健康监测一直是环境科学领域的重要课题。传统的水质监测方法往往依赖人工采样和实验室分析，存在响应滞后、覆盖范围有限等问题。随着物联网传感器网络的普及和机器学习技术的发展，实时、自动化的水生态监测成为可能。

CrayPulse项目聚焦于加州大学伯克利分校附近的草莓溪（Strawberry Creek）流域，这是一个典型的城市水系，面临着城市化带来的各种生态压力。该项目的目标是通过部署智能化的监测系统，实现对溪流健康状况的实时评估和异常事件的早期预警。

核心技术架构

CrayPulse采用了时序图神经网络（Temporal Graph Neural Network）作为核心算法框架。与传统的时间序列分析方法相比，图神经网络能够捕捉传感器网络中各监测点之间的空间关联关系，同时时序建模能力使其能够识别水质参数随时间演变的动态模式。

系统的数据输入包括两个主要来源：一是部署在溪流沿线的物理传感器网络，实时采集水温、pH值、溶解氧、电导率等关键指标；二是来自劳伦斯伯克利国家实验室的气象数据，包括降雨量、气温、湿度等环境参数。这种多源数据融合策略使得系统能够区分自然天气变化与真正的污染事件。

系统运行模式

CrayPulse设计了三种主要的运行模式，以适应不同的使用场景：

训练模式（Train）：系统从草莓溪API获取过去30天的历史数据，构建图结构并从头训练GNN模型。训练完成后，模型权重被保存到本地，供后续推理使用。这一模式适用于系统初始化或需要重新校准模型的情况。

更新模式（Update）：在已有模型权重的基础上，使用新采集的数据进行微调。这种模式能够在保持模型稳定性的同时，适应季节变化或环境条件演变带来的数据分布漂移。

推理模式（Inference）：快速评估最近48小时的数据，检测潜在的异常事件。这一模式无需训练，启动速度快，适合作为定时任务定期执行。

实时监测与预警机制

系统的7×24小时实时监测通过独立的run_live.py脚本实现。该服务每15分钟执行一次完整的检测流程：从API获取最新数据、运行图神经网络推理、生成可视化报告、评估异常风险。

当异常评分超过经过降雨调整的动态阈值时，系统会触发邮件告警机制。这种自适应阈值设计考虑了降雨对水质参数的合法影响，避免了因自然降雨导致的误报。告警信息通过SMTP协议发送到预设的接收者邮箱，确保相关人员能够及时响应。

每次监测循环结束后，系统会自动生成可视化报告，保存为reports/latest_report.png，展示当前溪流健康状态的快照。这些报告不仅服务于实时监控，也为长期趋势分析积累了宝贵的数据资产。

技术实现细节

项目采用Python作为主要开发语言，依赖管理通过requirements.txt文件规范。值得注意的是，由于底层使用了OpenSeesPy进行部分物理模拟，在Apple Silicon设备上需要通过Rosetta运行x86架构的Python环境。

系统的配置通过环境变量文件（.env）管理，主要包括两类敏感信息：草莓溪监测网络的API访问令牌，以及用于发送告警邮件的SMTP凭证（支持Gmail应用密码）。这种设计既保证了配置的灵活性，也避免了敏感信息硬编码在代码仓库中。

应用价值与启示

CrayPulse项目展示了图神经网络在环境监测领域的实际应用潜力。通过将物理传感器网络建模为图结构，系统能够充分利用空间关联信息，提高异常检测的准确性。同时，多源数据融合和自适应阈值设计体现了工程实践中对真实场景复杂性的深入理解。

该项目的开源发布为类似的水生态监测项目提供了可参考的技术框架。无论是其他城市的溪流监测，还是更广泛的环境物联网应用，CrayPulse的架构设计和技术选型都具有借鉴意义。特别是在气候变化背景下，智能化的环境监测系统将在生态保护和公共卫生领域发挥越来越重要的作用。