图神经网络驱动的流域洪水预报技术

作者：马森标

来源：江西水利科技, 2023, 49(05): 313-326.

• 图神经网络
• 长短期记忆网络
• 特征编码
• 滞后特征
• GSCPM

本研究提出了一个图指导的时空关联预报模型（GSCPM,graph-guided spatiotemporal correlation prediction model），针对性地解决流域洪水预报中的时空关系建模和滞后影响问题。该模型通过多个长短期记忆网络（LSTM）编码每个监测点历史属性的时间关联特征，随后利用图卷积神经网络（GCN）挖掘监测点间的地理空间依赖。此外，提出了雨量滞后特征、泄洪量滞后特征和上游水位滞后特征用以挖掘变量滞后效应。本文在现实流域数据集上进行了广泛的实验，通过跟LSTM、RNN等模型的比较，证明了GSCPM模型的优越性，适合在流域洪水预报中推广使用。