Метод прогноза температуры воды в канале на основе трансферного обучения и пространственно-временных графовых нейронных сетей

Почему зимняя вода в каналах важна

Каждую зиму гигантские каналы проекта переноса воды «с юга на север» в Китае должны поддерживать поток, несмотря на морозы. Если вода в канале станет слишком холодной, лед может закупорить русла, повредить сооружения и нарушить подачу воды миллионам людей. В новых участках каналов исторических данных обычно очень мало, поэтому стандартные методы плохо справляются с прогнозированием температуры воды. В этом исследовании предложен новый подход искусственного интеллекта, который заимствует знания из хорошо мониторируемой системы каналов, чтобы улучшить прогнозы зимней температуры воды в более молодом, слабообследованном расширении.

Два длинных канала, одна общая проблема

Исследование сосредоточено на двух связанных мегапроектах: давно действующем Центральном маршруте и более новом Северном ответвлении Восточного маршрута. Оба проходят через схожие климатические зоны и используют открытые каналы, шлюзы и насосные станции для перемещения воды на север. Центральный маршрут эксплуатируется более десятилетия и плотно оснащён приборами, с годами записей температур воздуха, воды и расходов. Напротив, у Северного ответвления есть лишь короткий, фрагментарный архив за один зимний сезон. Ключевая идея авторов — рассматривать Центральный маршрут как «преподавателя», а Северное ответвление как «ученика», перенимая закономерности, выученные на старой системе, чтобы помочь предсказывать температуры в новой.

Обучение модели на примере другого канала

Для этого команда использует стратегию, называемую трансферным обучением. Сначала они строят модель глубокого обучения и обучают её на данных за три зимы с трёх станций Центрального маршрута. На этапе предварительного обучения модель выявляет, как температура воздуха, температура воды и расход обычно повышаются и понижаются вместе, и как эти связи повторяются в пределах дней и недель. Затем исследователи адаптируют ту же модель к Северному ответвлению, фиксируя часть её внутренних параметров, чтобы сохранить знания о типичном зимнем поведении, и осторожно донастраивая другие части на ограниченных данных Северного ответвления. Это позволяет модели повторно использовать общие физические закономерности Центрального маршрута без необходимости многолетних локальных наблюдений.

Преобразование каналов в сеть связанных узлов

Помимо повторного использования знаний, исследование также учитывает, как разные точки вдоль канала влияют друг на друга. Авторы представляют каждую точку мониторинга — температуру воздуха в близлежащих городах, температуру воды у шлюзов и расход в ключевых поперечинах — в виде узла в графе. Связи между узлами отражают физические отношения, такие как общие источники воды или географическая близость. Поверх этого графа они строят пространственно-временную нейросеть под названием TF-GTCN. Одна часть модели анализирует временную ось, используя специализированные одномерные свёртки для обнаружения краткосрочных колебаний и более длительных периодических циклов. Другая часть распространяет информацию по графу, позволяя модели, например, учесть, что изменения температуры воздуха в одном городе обычно предшествуют изменениям температуры воды у соседнего шлюза.

Насколько эффективен новый подход?

Исследователи сравнили модель TF-GTCN с рядом распространённых инструментов глубокого обучения, включая рекуррентные сети (RNN, LSTM, GRU), сверточные сети и более простые графовые модели. Во многих тестовых сценариях — при прогнозах на 1, 3, 7 или 14 дней вперёд — новый метод в целом даёт наименьшие ошибки. На ключевых станциях он снижает среднюю абсолютную ошибку температуры примерно до 1–1,4 °C и уменьшает ошибку до примерно 3 °C по сравнению с традиционными моделями. Графовые базовые модели уже превосходят чисто временные, но добавление трансферного обучения и более тонкого временного модуля дополнительно улучшает качество, особенно при дефиците данных. Детальный анализ показывает, что температура воздуха является доминирующим фактором изменений температуры воды, тогда как температура воды предыдущего дня и расход дают важные вторичные подсказки.

Что это значит для зимней эксплуатации

Для водопользователей практический вывод прост: при правильном подходе ИИ даже короткий архив нового канала может обеспечить полезные зимние прогнозы, если имеется родственная система с богатой историей данных, у которой можно учиться. Модель TF-GTCN даёт инструмент для предвидения, где и когда температура воды может приблизиться к точке замерзания, выигрывая время для корректировки расходов или режимов эксплуатации прежде, чем образуется лёд. Хотя метод требует дальнейшей проверки с учётом дополнительных экологических факторов и при более экстремальных погодных условиях, он указывает путь к более умному и устойчивому управлению крупными проектами переноса воды, помогая сохранять подачу и защищать инфраструктуру в самые холодные месяцы.

Цитирование: Lu, H., Tian, Y., Weng, P. et al. A channel water temperature prediction method based on transfer learning and spatial-temporal graph neural networks. Sci Rep 16, 5793 (2026). https://doi.org/10.1038/s41598-026-35408-6

Ключевые слова: прогнозирование температуры воды, трансферное обучение, графовые нейронные сети, водоводные каналы, гидрологическое моделирование