河流网络拓扑在神经洪水预报中的价值

气候变化加剧了河流洪水，其发生频率和强度比以往任何时候都高。急需的预报系统通常依赖于准确的河流流量预测。为此，最先进的数据驱动方法将分布在空间上的水文站点的预测视为孤立问题，即使在同一河流网络内也是如此。然而，将已知的河流网络拓扑结构纳入预测模型有可能利用站点之间的邻接关系。因此，我们使用GNN对水文站网络的河流流量进行建模，并比较不同邻接定义下的预报性能。我们的结果表明，无论是在整个网络上还是在小子图上，模型都未能从河流网络拓扑信息中获益。学习到的边权重与任何静态定义都不相关，并且没有表现出规律模式。此外，GNN难以预测突然的、狭窄的流量尖峰。我们的工作暗示了一种更普遍的潜在现象：神经预测并不总是从图结构受益，并可能激发对这种情况发生条件的系统研究。