本文介绍DUALFloodGNN，一种结合物理守恒定律与图神经网络的新型洪水建模架构，已被IJCAI-ECAI 2026 AI4Tech轨道接收。

DUALFloodGNN：融合物理约束的图神经网络洪水预测系统\n\n## 研究背景与挑战\n\n洪水灾害是全球范围内最具破坏性的自然灾害之一，准确预测洪水演进对于防灾减灾具有重要现实意义。传统的洪水模拟方法主要依赖物理水文模型（如HEC-RAS），这类模型虽然物理基础扎实，但计算成本高昂，难以满足实时 operational 预测的需求。\n\n近年来，图神经网络（GNN）在处理非结构化网格数据方面展现出强大能力，为洪水预测提供了新思路。然而，纯数据驱动的GNN模型往往缺乏物理一致性，可能出现违反质量守恒等基本原理的预测结果，这在关键基础设施决策中是不可接受的。\n\n## DUALFloodGNN核心架构\n\nDUALFloodGNN是由澳大利亚研究团队开发的物理信息图神经网络架构，该工作已被国际人工智能联合会议IJCAI-ECAI 2026的AI4Tech轨道接收。其核心创新在于将物理守恒定律显式嵌入神经网络的学习过程中，实现数据驱动与物理约束的有机融合。\n\n### 三大核心组件\n\n1. 共享消息传递网络\n\n与传统GNN分别处理节点和边特征不同，DUALFloodGNN采用统一的共享消息传递机制，同时预测节点（如河段水位）和边（如流量）特征。这种设计使得模型能够捕捉水文系统中节点状态与流动过程之间的深层耦合关系。网络结构基于PyTorch Geometric实现，支持高效的GPU加速训练。\n\n2. 物理信息损失函数\n\n这是DUALFloodGNN最具特色的设计。模型在训练过程中强制执行质量守恒约束，包括：\n\n- 全局质量守恒：确保整个流域系统的水量平衡\n- 局部质量守恒：保证相邻时间步之间每个单元的水量连续性\n\n通过将物理定律以软约束形式纳入损失函数，模型在学习数据模式的同时，必须尊重基本的物理规律。这种"物理正则化"显著提升了模型在极端工况下的泛化能力和预测可信度。\n\n3. 自回归课程学习策略\n\n洪水预测是一个典型的时序预测问题，需要模型进行多步滚动预测。DUALFloodGNN采用动态课程学习（Curriculum Learning）策略，训练初期从短序列预测开始，逐步增加预测步长。这种渐进式训练方式帮助模型稳定学习长期依赖关系，避免误差累积导致的预测发散。\n\n## 数据集与实验设置\n\n研究团队基于澳大利亚国立大学提供的真实洪水事件数据构建了训练和测试集。数据集包含：\n\n- 空间数据：研究区域的几何形状文件（河段中心点、连接关系）、数字高程模型（DEM）\n- 模拟数据：HEC-RAS水动力模型生成的洪水演进过程（HDF格式）\n- 事件划分：训练集和测试集按洪水事件划分，确保模型泛化能力评估的可靠性\n\n数据可通过DOI: 10.25910/9xav-0s86获取，为后续研究提供了可复现的基准。\n\n## 技术实现细节\n\n项目基于Python 3.12.3和PyTorch 2.5.1开发，充分利用了PyTorch Geometric的图神经网络能力。代码结构清晰，按功能划分为configs、data、models、loss、training、testing等模块，便于理解和扩展。\n\n训练时只需运行：\n\npython train.py --config 'configs/config.yaml' --model 'DUALFloodGNN'\n\n\n测试推理命令：\n\npython test.py --config 'configs/config.yaml' --model 'DUALFloodGNN' --model_path 'path/to/model_checkpoint.pt'\n\n\n## 应用价值与意义\n\nDUALFloodGNN代表了AI for Science领域的一个重要进展。它证明了在关键基础设施预测任务中，纯粹的数据驱动方法可以通过引入领域知识（物理定律）得到显著增强。这种"物理信息机器学习"范式不仅适用于洪水预测，也可推广到其他具有明确物理约束的时空预测问题，如气象预报、污染物扩散、交通流预测等。\n\n对于工程实践而言，DUALFloodGNN提供了一种在计算效率和物理可信度之间取得平衡的新方案。相比传统物理模型，它能够实现近实时的洪水演进预测；相比纯黑箱神经网络，它的预测结果更符合物理直觉，更易于被水利工程师理解和信任。\n\n## 开源与后续发展\n\n项目代码已在GitHub开源，并提供了详细的技术文档（README.pdf）。研究团队鼓励社区贡献，并提供了完整的引用信息：\n\n\n@misc{acosta2026,\n title={DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling},\n author={Carlo Malapad Acosta et al.},\n year={2026},\n eprint={2512.23964},\n archivePrefix={arXiv},\n primaryClass={cs.LG}\n}\n\n\n随着气候变化导致极端天气事件频发，像DUALFloodGNN这样将前沿AI技术与领域专业知识相结合的研究，将在灾害预警和风险管理中发挥越来越重要的作用。

DUALFloodGNN：融合物理约束的图神经网络洪水预测系统\n\n研究背景与挑战\n\n洪水灾害是全球范围内最具破坏性的自然灾害之一，准确预测洪水演进对于防灾减灾具有重要现实意义。传统的洪水模拟方法主要依赖物理水文模型（如HEC-RAS），这类模型虽然物理基础扎实，但计算成本高昂，难以满足实时 operational 预测的需求。\n\n近年来，图神经网络（GNN）在处理非结构化网格数据方面展现出强大能力，为洪水预测提供了新思路。然而，纯数据驱动的GNN模型往往缺乏物理一致性，可能出现违反质量守恒等基本原理的预测结果，这在关键基础设施决策中是不可接受的。\n\nDUALFloodGNN核心架构\n\nDUALFloodGNN是由澳大利亚研究团队开发的物理信息图神经网络架构，该工作已被国际人工智能联合会议IJCAI-ECAI 2026的AI4Tech轨道接收。其核心创新在于将物理守恒定律显式嵌入神经网络的学习过程中，实现数据驱动与物理约束的有机融合。\n\n三大核心组件\n\n1. 共享消息传递网络\n\n与传统GNN分别处理节点和边特征不同，DUALFloodGNN采用统一的共享消息传递机制，同时预测节点（如河段水位）和边（如流量）特征。这种设计使得模型能够捕捉水文系统中节点状态与流动过程之间的深层耦合关系。网络结构基于PyTorch Geometric实现，支持高效的GPU加速训练。\n\n2. 物理信息损失函数\n\n这是DUALFloodGNN最具特色的设计。模型在训练过程中强制执行质量守恒约束，包括：\n\n- 全局质量守恒：确保整个流域系统的水量平衡\n- 局部质量守恒：保证相邻时间步之间每个单元的水量连续性\n\n通过将物理定律以软约束形式纳入损失函数，模型在学习数据模式的同时，必须尊重基本的物理规律。这种"物理正则化"显著提升了模型在极端工况下的泛化能力和预测可信度。\n\n3. 自回归课程学习策略\n\n洪水预测是一个典型的时序预测问题，需要模型进行多步滚动预测。DUALFloodGNN采用动态课程学习（Curriculum Learning）策略，训练初期从短序列预测开始，逐步增加预测步长。这种渐进式训练方式帮助模型稳定学习长期依赖关系，避免误差累积导致的预测发散。\n\n数据集与实验设置\n\n研究团队基于澳大利亚国立大学提供的真实洪水事件数据构建了训练和测试集。数据集包含：\n\n- 空间数据：研究区域的几何形状文件（河段中心点、连接关系）、数字高程模型（DEM）\n- 模拟数据：HEC-RAS水动力模型生成的洪水演进过程（HDF格式）\n- 事件划分：训练集和测试集按洪水事件划分，确保模型泛化能力评估的可靠性\n\n数据可通过DOI: 10.25910/9xav-0s86获取，为后续研究提供了可复现的基准。\n\n技术实现细节\n\n项目基于Python 3.12.3和PyTorch 2.5.1开发，充分利用了PyTorch Geometric的图神经网络能力。代码结构清晰，按功能划分为configs、data、models、loss、training、testing等模块，便于理解和扩展。\n\n训练时只需运行：\n\npython train.py --config 'configs/config.yaml' --model 'DUALFloodGNN'\n\n\n测试推理命令：\n\npython test.py --config 'configs/config.yaml' --model 'DUALFloodGNN' --model_path 'path/to/model_checkpoint.pt'\n\n\n应用价值与意义\n\nDUALFloodGNN代表了AI for Science领域的一个重要进展。它证明了在关键基础设施预测任务中，纯粹的数据驱动方法可以通过引入领域知识（物理定律）得到显著增强。这种"物理信息机器学习"范式不仅适用于洪水预测，也可推广到其他具有明确物理约束的时空预测问题，如气象预报、污染物扩散、交通流预测等。\n\n对于工程实践而言，DUALFloodGNN提供了一种在计算效率和物理可信度之间取得平衡的新方案。相比传统物理模型，它能够实现近实时的洪水演进预测；相比纯黑箱神经网络，它的预测结果更符合物理直觉，更易于被水利工程师理解和信任。\n\n开源与后续发展\n\n项目代码已在GitHub开源，并提供了详细的技术文档（README.pdf）。研究团队鼓励社区贡献，并提供了完整的引用信息：\n\n\n@misc{acosta2026,\n title={DUALFloodGNN: Physics-informed Graph Neural Network for Operational Flood Modeling},\n author={Carlo Malapad Acosta et al.},\n year={2026},\n eprint={2512.23964},\n archivePrefix={arXiv},\n primaryClass={cs.LG}\n}\n\n\n随着气候变化导致极端天气事件频发，像DUALFloodGNN这样将前沿AI技术与领域专业知识相结合的研究，将在灾害预警和风险管理中发挥越来越重要的作用。