HydroDCM: Hydrological Domain-Conditioned Modulation for Cross-Reservoir Inflow Prediction¶

会议: AAAI 2026
arXiv: 2512.03300
代码: github.com/humphreyhuu/HydroDCM
领域: 时间序列
关键词: 域泛化, 跨水库入流预测, 对抗训练, FiLM调制, 空间元属性

一句话总结¶

提出 HydroDCM，首次将域泛化(Domain Generalization)引入水文预测领域，通过空间元属性构建伪域标签指导对抗学习提取不变特征，再用 FiLM 适配器根据目标水库的地理信息调制特征，实现对未见水库的跨域入流预测。

研究背景与动机¶

水库入流预测（Reservoir Inflow Prediction）对防洪调度、水资源分配和水力发电至关重要。深度学习方法在单个水库上已取得良好效果，但面临两大核心挑战：

域迁移问题：每个水库的入流模式受独特的气候条件、地理位置和集水区操作影响，在一个水库上训练的模型直接应用到另一个水库时性能严重下降。

数据稀缺问题：新建水库或无观测站水库缺乏充足的历史数据，无法独立训练可靠的预测模型。

传统域泛化(DG)方法在水文领域面临两个特殊困难：

多域分类难题：水库网络通常包含数十甚至上百个站点，每个水库应被视为独立域以充分捕获域特异性。但元学习等 DG 方法的计算开销随域数线性增长，对大规模水文系统不切实际。DANN 等方法假设少量潜在域，难以处理细粒度域划分。
元属性依赖：水库拥有丰富的空间和环境元数据（经纬度、海拔等），这些信息对区分水库具有间接但显著的影响。但现有 DG 方法主要关注不变特征学习，忽略了辅助元数据的利用。

核心动机：能否设计一个既能高效处理大量域、又能利用空间元属性的 DG 框架？这正是首次将 DG 扩展到水文应用的关键挑战所在。

方法详解¶

整体框架¶

HydroDCM 包含四个模块，分两阶段运行： - 阶段1（训练时）：时间特征提取器 $f_\phi$ + 域判别器 $d_\theta$（对抗训练去除域信息） - 阶段2（训练+推理）：FiLM 适配器 $m_\beta$（注入域特定信息）+ 预测头 $p_\omega$ - 推理时：丢弃域判别器，仅保留 $f_\phi$、$m_\beta$、$p_\omega$

关键设计¶

空间元属性驱动的伪域标签：不同于传统 DG 为每个域分配 one-hot 标签，HydroDCM 使用空间元属性向量 $\mathbf{s}_i \in \mathbb{R}^3$（经度、纬度、海拔）作为伪域标识符。具体做法是将元属性和观测数据拼接后通过线性投影得到伪域嵌入 $\mathbf{v}_i = \mathbf{W}[\mathbf{s}_i : \mathbf{X}_i] + \mathbf{b}$，然后用对比学习损失确保地理相近的水库在嵌入空间中更近：

$$L_{\text{con}} = -\sum_{i=1}^{N} \log \frac{\exp(\text{sim}(\mathbf{v}_i, \mathbf{v}_i^+)/\tau)}{\exp(\text{sim}(\mathbf{v}_i, \mathbf{v}_i^+)/\tau) + \sum_{j \in \mathcal{N}} \exp(\text{sim}(\mathbf{v}_i, \mathbf{v}_j^-)/\tau)}$$

设计动机：连续的空间元属性比离散域标签更适合多域场景——它天然编码了域间的相似度关系，同时避免了 one-hot 编码在域数量大时的计算爆炸。

对抗训练泛化：域判别器 $d_\theta$ 试图从时间特征 $\mathbf{h}_i = f_\phi(\mathbf{X}_i)$ 中预测伪域标签 $\mathbf{v}_i$，而特征提取器通过对抗训练被迫去除域相关信息：

$$L_{\text{adv}} = -\mathbb{E}_{(\mathbf{x}_i, \mathbf{v})} \|d_\theta(\mathbf{h}_i) - \mathbf{v}_i\|_2^2$$

梯度仅通过判别器参数 $\theta$ 传播，方向取反以鼓励判别器失败。这样提取的特征 $\mathbf{z}$ 保留了与标签（入流量）相关的水文动力学信息，同时滤除了域特异性噪声。

设计动机：与标准 DANN 不同，使用连续伪域标签而非离散类别标签，可以在高域数下保持计算效率，同时更好地捕获域间的渐变关系。

FiLM 域条件调制：对抗训练后的不变特征可能丢失了水文意义上有用的域特定信息。FiLM 适配器通过空间元属性生成缩放和平移系数，对不变特征进行仿射变换：

$$\tilde{\mathbf{z}}_i = \gamma(\mathbf{s}_i) \odot \mathbf{z}_i + \delta(\mathbf{s}_i)$$

其中 $\gamma$ 和 $\delta$ 由元属性 $\mathbf{s}_i$ 通过轻量 MLP 生成。调制后的特征送入预测头 $p_\omega$ 输出未来 7 天入流量 $\hat{y}_i = \text{MLP}(\tilde{\mathbf{z}}_i)$。

设计动机：这是"先去后加"策略的精髓——先通过对抗训练移除域偏差，再通过 FiLM 以可控方式重新注入域特定信息。相比直接在不变特征上预测，FiLM 调制可以融入地形梯度和气候变异等空间先验。

损失函数 / 训练策略¶

总损失为三项加权和：

\[L_{\text{total}} = \lambda_{\text{con}} L_{\text{con}} + \lambda_{\text{adv}} L_{\text{adv}} + \lambda_{\text{sup}} L_{\text{sup}}\]

其中 $L_{\text{sup}}$ 为 MSE 回归损失。训练分两阶段： - 前 10 轮：仅用 $L_{\text{con}} + L_{\text{sup}}$，学习不变表示 - 后续轮次：加入 $L_{\text{adv}}$ 和 FiLM 调制

超参数设置：$\lambda_{\text{sup}}=1.0$，$\lambda_{\text{adv}}=0.1$，Adam 优化器，初始学习率 $10^{-3}$，ReduceLROnPlateau 调度，梯度裁剪 max norm=1.0。特征提取器采用 2 层 Encoder-Decoder LSTM，隐藏维度 64。

实验关键数据¶

主实验¶

在 Upper Colorado River Basin 的 30 个水库上评估，27 个源域训练，3 个目标域（MCR、JVR、MCP）测试。指标为 Nash-Sutcliffe Efficiency (NSE, %)：

方法	Overall NSE	Day 1	Day 4	Day 7	类别
Base (下界)	78.29	87.96	78.95	67.95	仅源域训练
Few-shot	80.08	89.08	80.19	71.03	目标域少量数据
DANN	78.89	88.63	79.50	68.94	DG 基线
MLDG	80.67	89.82	80.53	71.42	DG 基线
CondAdv	80.77	90.06	80.73	71.61	DG 基线
IRM	78.50	88.15	79.13	68.20	DG 基线
HydroDCM	82.90	92.92	82.26	73.96	本文
Oracle (上界)	83.93	93.79	83.25	75.29	目标域全数据

HydroDCM 在所有预测日上一致优于所有 DG 基线，整体 NSE 仅比 Oracle 低 1.03%。

消融实验¶

配置	Overall NSE	说明
HydroDCM (完整)	82.90	全部模块
w/o Adversarial Loss	79.09	下降最大，对抗训练是核心
w/o Contrastive Loss	80.30	域间分离不清晰导致性能下降
w/o FiLM Adaptor	81.39	缺少域适应微调，稳定下降
w/ Spatial Shuffle	80.63	空间元属性被破坏，退化

关键发现¶

对抗损失最关键：去除对抗训练导致最大性能下降（-3.81%），证明去除域协变量是跨水库泛化的核心
HydroDCM 超越 Few-shot（+2.82%无需目标域监督）：说明 DG 方案在水文场景可能比少量标注数据更有竞争力
长预测日优势更明显：Day 7 的 NSE 优势达 2.5~5%，表明 FiLM 调制有效抑制了预测不确定性的累积
空间元属性提供有效信号：Spatial Shuffle 的性能下降证实了地理信息的重要性

亮点与洞察¶

首次将 DG 引入水文预测：填补了水文领域域泛化研究的空白，定义了合理的问题设置和评估协议
伪域标签设计精巧：用连续空间元属性替代离散域标签，天然适配多域场景
"先去后加"策略：对抗训练去除域偏差 + FiLM 重新注入域信息，比单纯的不变特征学习更灵活
计算高效：FiLM 适配器参数极少，推理时仅需一次前传，适合实时预报

局限与展望¶

目标域仅 3 个水库：评估规模偏小，需要在更大流域（如全美 CAMELS 数据集的 671 个流域）上验证
空间元属性仅 3 维：仅用经纬度+海拔，未包含更丰富的流域特征（如集水面积、年均降水、土壤类型等）
预测长度固定 7 天：未评估更长预测范围下的泛化能力
时间特征提取器选择有限：仅用 LSTM，未尝试 Transformer 等更强的时序编码器

评分¶

新颖性: ⭐⭐⭐⭐ — DG 框架本身不新，但在水文领域的应用和伪域标签设计有创新
实验充分度: ⭐⭐⭐ — 数据集规模偏小（30 水库/3 目标），消融设计合理但缺乏多流域验证
写作质量: ⭐⭐⭐⭐ — 问题定义清晰，动机论证充分，图示直观
价值: ⭐⭐⭐⭐ — 对水文领域有重要实用价值，但泛化到其他领域的价值有待验证