StrawberryWatch：时序图神经网络驱动的城市流域异常监测系统

StrawberryWatch是基于时序图神经网络（Temporal GNN）的实时异常检测系统，旨在监测Strawberry Creek城市流域生态健康。该系统融合气象数据与传感器遥测数据，实现智能污染预警，解决传统人工采样监测周期长、响应慢的问题，为城市流域管理提供技术支撑。

城市流域承担排水、景观、生态调节等功能，但城市化进程中雨水径流污染物、意外泄漏威胁溪流生态。传统监测依赖人工采样和实验室分析，周期长、响应慢，难以实时预警。Strawberry Creek位于加州大学伯克利分校附近，是当地重要城市水系，StrawberryWatch项目针对此场景构建自动化、智能化生态监测体系。

项目采用时序图神经网络（Temporal GNN）进行异常检测，优势显著：

1. 图结构建模：将Strawberry Creek建模为有向流图，5个传感器节点按水流方向连接，准确反映污染物传播路径；
2. 时序特征学习：通过LSTM层捕捉水质参数（温度、电导率等）的日周期、季节周期等时序依赖；
3. 异常检测机制：基于重构误差触发告警，无需大量标注异常样本。 生产模型DuskCrayfish架构：空间层（GCN）处理节点空间关系，时间层（LSTM）建模动态演化，自适应阈值根据降雨调整以降低误报。

系统数据来自两大渠道：

• 传感器遥测：沿线传感器实时采集温度、电导率、pH值、浊度、溶解氧等高频数据（分钟级）；
• 气象数据：集成劳伦斯伯克利国家实验室气象站数据（气温、露点、湿度等），纳入外部驱动因素。 数据融合体现环境建模最佳实践，兼顾被监测对象本身与外部影响因素。

项目支持多种运行模式：

• 训练模式：拉取过去30天数据构建流图，训练模型并保存权重（冷启动或重大更新时使用）；
• 更新模式：基于已有权重用新数据微调（日常维护）；
• 推理模式：评估最近48小时数据检测异常（手动或定时触发）；
• 实时监测：24/7持续运行，每15分钟推理一次，异常时发送邮件告警。

部署类似系统的经验：

• 数据接入：支持公共REST API（推荐）和MySQL数据库连接；
• 模型冷启动：需先训练建立基线，建议积累2-4周数据后启动实时监测；
• 告警疲劳管理：自适应阈值+降雨检测减少误报，可视化报告提供上下文；
• 扩展性：GNN架构天然支持增加传感器节点，更新图结构即可无需重新设计模型。

StrawberryWatch是AI for Earth的典型应用，意义包括：及时发现污染事件缩短响应时间、减少人工成本实现全天候监测、积累长期数据支持生态研究与决策、为城市流域管理提供技术示范。项目开源，为其他社区提供可复用框架，推动城市水环境管理从“事后治理”转向“事前预防”。