基于图神经网络的高分辨率降雨-径流建模
机器学习
2021-10-22 v1 计算机视觉与模式识别
图像与视频处理
摘要
近期使用 LSTM（长短期记忆）等最新深度学习算法的时间序列建模研究展现出巨大潜力。这些研究主要关注流域尺度的降雨-径流建模或径流预报，但其中大多数仅将单个流域作为一个单元。尽管这种简化非常有效，但它未考虑空间信息，可能导致大流域中的显著误差。若干研究探讨了使用 GNN（图神经网络）通过将大流域分解为多个子流域来进行数据整合，但每个子流域仍被视为整体，流域内包含的地理信息未被充分利用。本文提出 GNRRM（图神经降雨-径流模型），一种充分利用高分辨率降水数据（包括流向与地理信息）中空间信息的新型深度学习模型。与基线模型相比，GNRRM 过拟合更少且显著提升了模型性能。我们的发现支持了水文数据在基于深度学习的降雨-径流建模中的重要性，并鼓励研究者在模型中纳入更多领域知识。
引用
@article{arxiv.2110.10833,
title = {High-resolution rainfall-runoff modeling using graph neural network},
author = {Zhongrun Xiang and Ibrahim Demir},
journal= {arXiv preprint arXiv:2110.10833},
year = {2021}
}