HydroVision：基于 Vision Transformer 和混合图学习的 LiDAR 指导水力测量预测
计算机视觉与模式识别
2024-09-24 v1 机器学习
摘要
水力测量预测对于管理水资源、洪水预报和环境保护至关重要。水力站相互关联，这种关联性影响其他水力站的测量值。然而，水流路径的动态和隐式特性使得难以提前提取连通性结构的先验知识。我们假设地形高程显著影响水流和连通性。为此，我们使用通过 Vision Transformer (ViT) 编码的 LiDAR 地形高程数据。ViT 已在图像分类中表现出色，通过直接对图像块序列应用变换器，能够有效捕获地形高程的空间特征。为考虑空间和时间特征，我们采用增强图卷积的 GRU 块，这是文献中广泛使用的方法。我们提出一种混合图学习结构，结合静态图和动态图学习。源自变换器编码的 LiDAR 数据的静态图捕获地形高程关系，而动态图适应于时间变化，提高整体图表示。我们通过这些静态图和动态图中的两层图卷积应用。该方法可对日常预测提前最多 12 天。来自魁北克多个水力站的实证结果表明，我们的方法在所有预测天数上平均降低 10% 的预测误差，对于更长的预测时段具有更大的改进。
引用
@article{arxiv.2409.15213,
title = {HydroVision: LiDAR-Guided Hydrometric Prediction with Vision Transformers and Hybrid Graph Learning},
author = {Naghmeh Shafiee Roudbari and Ursula Eicker and Charalambos Poullis and Zachary Patterson},
journal= {arXiv preprint arXiv:2409.15213},
year = {2024}
}