农业景观里的氮输出是全球水质变差的大麻烦。以前的方法里头，像SWAT这种过程模型虽然解释起来明白，可太依赖细节数据和大量参数校准了。数据驱动的LSTM模型在大范围流域表现不错，可一旦拿到具体的子流域就不行，数据不够用的时候泛化能力也很差。所以呢，我们想弄个既能把物理知识放进去，又能显式学空间的东西，来解决分布式建模的难题。 HydroGraphNet这个框架就是这么设计出来的，里面把图结构、上游水流怎么来的、质量平衡这些因素都考虑进去了。我们在上桑加蒙河流域挑了44个HUC-12子流域来做实验，时间跨度是2001年到2020年。模型先用SWAT+造出来的假数据练手（预训练），之后再用USGS的真数据微调一下。然后拿它跟传统的LSTM比一比，看看在时间预测和空间外推上谁更强，还得分析清楚每个部分到底贡献了多少。 结果发现HydroGraphNet不管是在假数据还是真数据上都比LSTM要好。特别是用真数据调完以后，流量和硝酸盐那两项指标的NSE值分别冲到了0.768和0.626。归因分析说清楚了上游入流信息和图结构学的空间规律对跨子流域依赖性有多重要。模型成功复原了春天冲刷、冬天冻融那一套季节性套路，说明它挺靠谱也挺懂过程的。 UrbanWaterGroup那边最近也有一些新动作。图1是技术框架图，图2是用HydroGraphNet做时间推断和空间外推时NO₃–N负荷的一步两步预测对比情况。