首页|基于GCN-LSTM的钱塘江南源水质预测研究

基于GCN-LSTM的钱塘江南源水质预测研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
流域水质数据存在时间和空间上的双重依赖性,针对现有水质预测模型大多建立在时间维度上,不能有效利用水质空间相关性问题,提出了基于图卷积神经网络GCN和长短时记忆网络LSTM的水质预测模型.首先建立流域监测点间的拓扑结构,并将监测点沿河道的距离作为权重表征监测点间连接的强弱;然后采用图卷积神经网络GCN捕获每个输入时刻监测点间的空间关系,再通过LSTM捕获其时间上水质变化特征;最后通过多层感知器MLP得到水质预测结果.将钱塘江南源作为研究对象,对流域内15 个监测点的pH值、溶解氧DO、高锰酸盐指数CODMn进行预测,结果表明:相较于LSTM,GCN-LSTM模型水质预测结果平均百分比误差MAPE分别下降 15.29%、11.77%、9.8%;监测点间的连接具有差异性,通过距离来表示监测点间连接强弱可以使水质预测结果更为精确.
Study on Water Quality Prediction of South Source of Qiantang River Based on GCN-LSTM

water quality predictionGCNLSTMspatial-temporal prediction modelsouth source of Qiantang River

李余隆、张兰、李立

展开 >

武汉大学 电子信息学院,湖北 武汉 430072

浙江省生态环境监测中心,浙江 杭州 310012

水质预测 图卷积神经网络 长短时记忆网络 时空预测模型 钱塘江南源

国家自然科学基金浙江省生态环境科研和成果推广项目

518791952020HT0016

2023

10.3969/j.issn.1000-1379.2023.12.015

人民黄河
水利部黄河水利委员会

人民黄河

CSTPCD北大核心
影响因子：0.494
ISSN：1000-1379
年,卷(期)：2023.45(12)
  • 1
  • 14