一种基于迁移学习与时空图神经网络的渠道水温预测方法

为何冬季运河水温很重要

每到冬季，中国南水北调工程的巨型运河必须在冰冷的空气中继续输水。如果运河水温过低，可能造成结冰阻塞渠道、损坏构筑物，并中断数百万人的供水。可是在新开通的运河段，历史观测数据非常有限，传统方法难以准确预测水温。本文提出了一种新的人工智能方法，它从监测完善的运河系统中借用知识，以改善在监测稀疏的延伸段的冬季水温预测。

两条长运河、一个共同的挑战

研究聚焦于两条相关的大型工程：已运行多年的中线工程（Central Route）和较新的东线北延工程（North Extension）。两者穿越相似的气候区，均采用明渠、闸门和泵站向北输水。中线运行且仪器布设密集，拥有多年空气温度、水温和流量的记录；相比之下，北延仅有来自单个冬季的短而零散的记录。作者的关键想法是将中线视为“教师”运河，北延视为“学生”运河，把从老系统学到的模式迁移过去，以辅助预测新系统的水温。

让模型向另一条河流学习

为实现这一点，团队采用了一种称为迁移学习的策略。首先他们构建一个深度学习模型，并在来自中线的三个站点的三个冬季数据上进行预训练。在此预训练阶段，模型发现了空气温度、水温与流量如何协同升降，以及这些关联如何在日与周尺度上重复。随后，研究人员将相同模型迁移到北延，对其中部分内部参数冻结，使其保留关于一般冬季行为的“认知”，而用北延有限的数据对其他部分做温和的微调。这样一来，模型可以在无需多年本地观测的情况下重用来自中线的广泛物理模式。

把运河变成相互连接的节点网络

除了重用知识外，研究还捕捉了运河沿线不同地点之间的相互影响。作者把每个监测点——如附近城市的空气温度、闸门处的水温和关键断面的流量——表示为图中的一个节点。节点之间的连边反映物理关系，例如共同水源或地理邻近性。在该图之上，他们构建了一个名为TF‑GTCN的时空神经网络。模型的一部分沿时间轴工作，使用专门的一维卷积来检测短期波动和更长的周期性；另一部分在图上扩散信息，使模型能够学习例如某城市空气温度的变化通常会先于邻近闸门的水温变化这一类因果关系。

这种新方法效果如何？

研究人员将TF‑GTCN与多种常见深度学习工具进行了比较，包括循环网络（RNN、LSTM、GRU）、卷积网络以及较简单的图模型。在多种测试设置下——预测未来1、3、7或14天——该方法通常产生最低的误差。在关键站点，其平均绝对温度误差降至约1–1.4 °C，相比传统模型误差最多可减少约3 °C。基于图的基线模型本身已优于纯时间模型，但加入迁移学习和更精细的时间模块在数据稀缺时进一步提升了性能。详尽分析表明，空气温度是水温变化的主导驱动因素，而前一天的水温和流量提供了重要的次要线索。

对冬季运行的意义

对于水利管理者来说，实践层面的信息很直接：采用合适的人工智能方法，即便来自新运河的记录很短，只要存在相关且数据丰富的系统可以借鉴，也能支持有用的冬季预测。TF‑GTCN模型提供了一种预测何时何地水温可能接近结冰点的手段，从而在结冰发生前争取时间以调整流量或运行策略。尽管该方法仍需在更多环境因子与更极端天气条件下检验，但它指向了更智能、更具韧性的调水工程管理方向，有助于在最冷季节保持供水与设施安全。

引用: 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

关键词: 水温预测, 迁移学习, 图神经网络, 调水运河, 水文建模