我们研究了将时间序列基础模型与水利工程知识耦合是否能提升 HEC‑RAS 水面高程（WSE）代理预测的精度。提出的 KG‑Chronos‑2 由冻结的 Chronos‑2 预测器、精确状态残差解码、图条件历史检索以及输入对齐校正四部分组成。模型在 2008 年模拟数据上进行任务特定微调，评估使用 2011 年和 2002 年模拟的 64 条固定 24 小时窗口，覆盖 71 条河段的 4675 个横断面。与持久化、残差 LSTM、项目条件递归 GeoFNO、类 DCRNN 的水力模型以及仅冻结的 Chronos‑2 进行比较。KG‑Chronos‑2 在原始 WSE 单位下的事件平衡 RMSE 为 0.246970，比冻结的 Chronos‑2 低 14.13%，比 DCRNN‑style 模型低 29.38%，比递归 GeoFNO 低 39.54%。其相对冻结 Chronos‑2 的 RMSE 差的 95% 分层自助区间为 [-0.075177, -0.016317]。在六个系统中，KG‑Chronos‑2 还实现了最小的活动窗口 RMSE 和最终领先 RMSE。结果表明，将冻结的时序预测器与项目知识耦合能够在固定基准上实现更好的 HEC‑RAS 预报。
点评