基于ＧＣＮ－ＬＳＴＭ 的錢塘江南源水質預測研究

李余隆 張蘭 李立

摘 要：流域水質數據存在時間和空間上的雙重依賴性，針對現有水質預測模型大多建立在時間維度上，不能有效利用水質空間相關性問題，提出了基于圖卷積神經網絡ＧＣＮ 和長短時記憶網絡ＬＳＴＭ 的水質預測模型。首先建立流域監測點間的拓撲結構，并將監測點沿河道的距離作為權重表征監測點間連接的強弱；然后采用圖卷積神經網絡ＧＣＮ 捕獲每個輸入時刻監測點間的空間關系，再通過ＬＳＴＭ 捕獲其時間上水質變化特征；最后通過多層感知器ＭＬＰ 得到水質預測結果。將錢塘江南源作為研究對象，對流域內１５ 個監測點的ｐＨ 值、溶解氧ＤＯ、高錳酸鹽指數ＣＯＤＭｎ進行預測，結果表明：相較于ＬＳＴＭ，ＧＣＮ－ＬＳＴＭ 模型水質預測結果平均百分比誤差ＭＡＰＥ 分別下降１５．２９％、１１．７７％、９．８％；監測點間的連接具有差異性，通過距離來表示監測點間連接強弱可以使水質預測結果更為精確。

關鍵詞：水質預測；圖卷積神經網絡；長短時記憶網絡；時空預測模型；錢塘江南源

中圖分類號：Ｐ３３８ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０１５

引用格式：李余隆，張蘭，李立．基于ＧＣＮ－ＬＳＴＭ 的錢塘江南源水質預測研究［Ｊ］．人民黃河，２０２３，４５（１２）：８３－８７，９５．

錢塘江位于浙江省西部，受亞熱帶季風氣候影響，流域內降水豐富、氣象災害種類繁多，加上工廠排污、畜禽養殖場糞便排放等人為因素影響，流域水量年際變化幅度較大，水環境污染嚴重［１］ 。水體污染會對當地居民生產生活造成一定影響，甚至制約社會經濟發展。水質評價及預測可以清晰地反映水體污染現狀及水質未來變化趨勢，據此可及時調整水資源保護措施，將水體污染由事后治理轉變為事前預防，降低水污染治理成本［２］ 。

常用的水質預測模型分為機理模型和神經網絡模型兩種，其中：機理模型包括ＳＷＡＴ 模型、ＨＳＰＦ 模型等［３－６］ ，通常需要大量實測數據支撐，且計算過程復雜、模擬精度較低［７］ ；神經網絡模型擁有很強的非線性表達能力，常用的時間序列預測模型包括循環神經網絡ＲＮＮ［８］ 、長短時記憶網絡ＬＳＴＭ［９］ 等，這些序列模型能夠提取水體水質時間序列特征并對其進行預測［１０－１５］ 。流域水質預測時，某點的水質變化不僅與其歷史變化規律有關，而且與其上游水質變化有關，而這種空間維度上的傳播影響在單一時間序列模型中無法表現，應合理利用流域各監測點間的空間關系輔助模型進行水質預測。常見的空間信息提取模型有卷積神經網絡ＣＮＮ，但其只適合在歐氏空間內進行特征提取，對于交通網、水網等復雜的非歐空間，若強行將非歐空間轉化為歐氏空間，則會丟失空間上各監測點間的連接信息，無法反映各監測點間的空間位置關系及連接的強弱。圖卷積神經網絡ＧＣＮ 是一種可以提取非歐空間特征的網絡結構，通過圖中心節點與其周圍節點之間的拓撲結構，對圖的拓撲結構和節點屬性進行編碼，進而學習得到各節點的空間依賴關系。有關學者［１６－１８］ 將圖卷積神經網絡ＧＣＮ 應用于交通網路段速度預測等表明，其具有高可靠性。水網相對于交通網更為復雜，監測點之間有明顯的上下游關系，在構建拓撲結構時要考慮監測點間的地理位置信息、流域地理地貌特征等［１９－２０］ 。