基于ＧＣＮ－ＬＳＴＭ 的钱塘江南源水质预测研究

李余隆 张兰 李立

摘 要：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。

关键词：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

中图分类号：Ｐ３３８ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０１５

引用格式：李余隆，张兰，李立．基于ＧＣＮ－ＬＳＴＭ 的钱塘江南源水质预测研究［Ｊ］．人民黄河，２０２３，４５（１２）：８３－８７，９５．

钱塘江位于浙江省西部，受亚热带季风气候影响，流域内降水丰富、气象灾害种类繁多，加上工厂排污、畜禽养殖场粪便排放等人为因素影响，流域水量年际变化幅度较大，水环境污染严重［１］ 。水体污染会对当地居民生产生活造成一定影响，甚至制约社会经济发展。水质评价及预测可以清晰地反映水体污染现状及水质未来变化趋势，据此可及时调整水资源保护措施，将水体污染由事后治理转变为事前预防，降低水污染治理成本［２］ 。

常用的水质预测模型分为机理模型和神经网络模型两种，其中：机理模型包括ＳＷＡＴ 模型、ＨＳＰＦ 模型等［３－６］ ，通常需要大量实测数据支撑，且计算过程复杂、模拟精度较低［７］ ；神经网络模型拥有很强的非线性表达能力，常用的时间序列预测模型包括循环神经网络ＲＮＮ［８］ 、长短时记忆网络ＬＳＴＭ［９］ 等，这些序列模型能够提取水体水质时间序列特征并对其进行预测［１０－１５］ 。流域水质预测时，某点的水质变化不仅与其历史变化規律有关，而且与其上游水质变化有关，而这种空间维度上的传播影响在单一时间序列模型中无法表现，应合理利用流域各监测点间的空间关系辅助模型进行水质预测。常见的空间信息提取模型有卷积神经网络ＣＮＮ，但其只适合在欧氏空间内进行特征提取，对于交通网、水网等复杂的非欧空间，若强行将非欧空间转化为欧氏空间，则会丢失空间上各监测点间的连接信息，无法反映各监测点间的空间位置关系及连接的强弱。图卷积神经网络ＧＣＮ 是一种可以提取非欧空间特征的网络结构，通过图中心节点与其周围节点之间的拓扑结构，对图的拓扑结构和节点属性进行编码，进而学习得到各节点的空间依赖关系。有关学者［１６－１８］ 将图卷积神经网络ＧＣＮ 应用于交通网路段速度预测等表明，其具有高可靠性。水网相对于交通网更为复杂，监测点之间有明显的上下游关系，在构建拓扑结构时要考虑监测点间的地理位置信息、流域地理地貌特征等［１９－２０］ 。