PG-DyMamba：一种用于有效波高预测的物理引导动态图Mamba网络

摘要： 有效波高（Significant Wave Height, SWH）的精确预测对海洋工程安全至关重要，但在长序列建模中平衡计算效率与物理一致性仍是数据驱动方法面临的挑战。为此，研究人员提出了物理引导动态图Mamba网络（Physics-Guided Dynamic Graph Mamba Network, PG-DyMamba）。通过集成风浪关系等海洋学先验知识，该模型的物理感知图学习器（Physics-Aware Graph Learner）自适应捕捉随时间变化的多元变量依赖关系。同时，Mamba架构以线性复杂度处理长历史序列。为保障物理合理性，模型采用基于能量守恒与流体平滑性的复合损失函数，有效约束预测结果遵循基本物理定律。在Australia、NDBC及North Sea数据集上的实证评估证实PG-DyMamba优于现有先进基线模型。值得注意的是，在Australia数据集48步预测视距（48-step prediction horizon）上，该模型实现了19.2%的均方误差（Mean Squared Error, MSE）降低，证明了其在业务化海洋应用中的鲁棒性。

PG-DyMamba：一种用于有效波高预测的物理引导动态图Mamba网络——论文解读

本文发表于《Frontiers in Marine Science》。传统数值波浪模式（如SWAN、WAVEWATCH III）虽有明确物理基础但计算成本高昂，难以满足实时预报需求；而现有深度学习方法中，RNN类模型难并行且存在梯度消失，Transformer类模型自注意力机制呈O(L²)复杂度，且通用变体缺乏海况特异性，多数GNN方法假定变量间为静态依赖关系无法表征极端天气下的耦合强度剧变，纯数据驱动模型还易产生违背能量守恒定律的非物理预测。为解决长序列多元建模中计算效率与精度难兼顾、波场多气象变量动态耦合关系难以刻画、数据驱动预测缺乏物理一致性这三大问题，研究人员开展了PG-DyMamba研究，通过引入状态空间模型Mamba与物理感知动态图学习及物理约束损失函数，在三个真实海域数据集上验证了模型优越性，证明融合海洋学先验与线性复杂度时序建模及物理软约束可显著提升有效波高预测的物理合理性与长时预报稳健性，为业务化海洋预报提供了新范式。

研究人员采用的主要关键技术方法如下：使用Australia（Gold Coast浮标2021–2022）、NDBC（2020及2023）及North Sea（中国北海预报减灾中心2022）三组采样间隔30分钟的多变量海洋气象实测数据集；数据预处理采用变分模态分解（Variational Mode Decomposition, VMD）与可逆实例归一化（Reversible Instance Normalization, RevIN）；构建物理感知图学习器（Physics-Aware Graph Learner），由物理先验邻接矩阵与数据驱动自注意力邻接矩阵经可学习门控参数融合生成动态邻接矩阵；时空编码器由图卷积网络（Graph Convolutional Network, GCN）空间聚合与Mamba（Selective State Space Model, SSM）时序演化串联层叠并引入残差连接；解码后采用复合损失函数即数据拟合MSE损失加能量守恒约束（L_energy）、物理边界约束（L_boundary）及流体平滑性约束（L_smooth）；优化器为AdamW，回溯窗口48步（24小时），评估指标为MSE、MAE、MARE及决定系数（R²）。

研究结果

3.1 Ablation study

研究人员设计Mamba-Base（仅Mamba骨干）、DyMamba（增加动态图模块）、PG-DyMamba（完整模型含物理约束）三组消融实验。结果表明：加入动态图模块使Horizon 1的MSE从0.0132降至0.0098（降幅25.7%），证明捕获风与波等多变量时变依赖可提升性能；加入物理约束后PG-DyMamba在各预见期最优，Horizon 6时R²由DyMamba的0.9051升至0.9298，表明物理守恒律可修正纯数据驱动偏差；Horizon 48时PG-DyMamba的R²保持0.7220、MSE较Mamba-Base降低约29.7%，证明物理约束限制搜索空间、抑制长时误差累积、增强长期稳定性。

3.2 Comparative experiments

研究人员将PG-DyMamba与通用时序模型（Informer、Autoformer、Reformer）及海浪专用模型（SWH-CLSTM、Wave-S2S、SWHTrans、ATL-Net、MFET）对比。结果显示：极短时预见（Horizon 1~2）PG-DyMamba略逊于个别过拟合局部噪声的纯数据驱动Transformer但仍具竞争力；Horizon 6起PG-DyMamba显著优于多数基线，Australia数据集Horizon 6的MSE为0.0156、MARE为7.55%；长时预见（Horizon 48）PG-DyMamba在Australia数据集MSE=0.1217，较次优MFET降低19.2%，在NDBC数据集亦全面占优，证明动态图与物理约束协同作用使模型抗误差累积能力强、适用于复杂风场变化海域；North Sea数据集验证显示MSE=0.0111、MAE=0.1024 m、R²=0.9226，说明模型在季风影响、样本有限复杂海况下仍具强泛化与鲁棒性。

讨论与结论（翻译浓缩）

研究人员提出PG-DyMamba以解决SWH预测中长时依赖建模与物理一致性缺失问题，通过Mamba选择性状态空间机制与物理感知图学习器捕获长序列时态演化及多元气象—海洋要素动态耦合，损失函数中嵌入能量守恒、流体平滑性及物理边界多维约束使预测遵循海洋动力学基本原理。实验表明PG-DyMamba在多类海域具优异预测性能与泛化能力；极短预见因物理约束抑制非物理高频抖动致统计误差略高但趋势更物理解；48步预见较基线MSE降低约19.2%并有效缓解误差累积。48步R²下降源于24小时波演变受远程涌浪等非局部因子影响且单点浮标无空间覆盖，物理软约束优先保障物理合理与长时稳定而非单纯最大化R²。48步历史窗口平衡天气尺度波发展周期捕捉与计算敏捷性，Mamba线性O(n)复杂度适合实时业务部署并可扩展至更长回溯窗。当前局限含物理约束可能过度平滑高频瞬态特征、框架为单点预测未扩展至网格区域海浪场、物理约束权重靠经验调参。未来拟设计自适应物理约束加权、扩展至网格区域时空建模、探究极端天气下嵌入空气—海面通量参数化方案以实现物理—数据深度耦合。PG-DyMamba通过将物理定律融入深度学习，为构建具物理一致性且数据驱动的海浪预报模型提供了可行方案。