基于ＧＣＮ－ＬＳＴＭ 的錢塘江南源水質(zhì)預(yù)測(cè)研究

李余隆 張?zhí)m 李立

摘 要：流域水質(zhì)數(shù)據(jù)存在時(shí)間和空間上的雙重依賴性，針對(duì)現(xiàn)有水質(zhì)預(yù)測(cè)模型大多建立在時(shí)間維度上，不能有效利用水質(zhì)空間相關(guān)性問題，提出了基于圖卷積神經(jīng)網(wǎng)絡(luò)ＧＣＮ 和長短時(shí)記憶網(wǎng)絡(luò)ＬＳＴＭ 的水質(zhì)預(yù)測(cè)模型。首先建立流域監(jiān)測(cè)點(diǎn)間的拓?fù)浣Y(jié)構(gòu)，并將監(jiān)測(cè)點(diǎn)沿河道的距離作為權(quán)重表征監(jiān)測(cè)點(diǎn)間連接的強(qiáng)弱；然后采用圖卷積神經(jīng)網(wǎng)絡(luò)ＧＣＮ 捕獲每個(gè)輸入時(shí)刻監(jiān)測(cè)點(diǎn)間的空間關(guān)系，再通過ＬＳＴＭ 捕獲其時(shí)間上水質(zhì)變化特征；最后通過多層感知器ＭＬＰ 得到水質(zhì)預(yù)測(cè)結(jié)果。將錢塘江南源作為研究對(duì)象，對(duì)流域內(nèi)１５ 個(gè)監(jiān)測(cè)點(diǎn)的ｐＨ 值、溶解氧ＤＯ、高錳酸鹽指數(shù)ＣＯＤＭｎ進(jìn)行預(yù)測(cè)，結(jié)果表明：相較于ＬＳＴＭ，ＧＣＮ－ＬＳＴＭ 模型水質(zhì)預(yù)測(cè)結(jié)果平均百分比誤差ＭＡＰＥ 分別下降１５．２９％、１１．７７％、９．８％；監(jiān)測(cè)點(diǎn)間的連接具有差異性，通過距離來表示監(jiān)測(cè)點(diǎn)間連接強(qiáng)弱可以使水質(zhì)預(yù)測(cè)結(jié)果更為精確。

關(guān)鍵詞：水質(zhì)預(yù)測(cè)；圖卷積神經(jīng)網(wǎng)絡(luò)；長短時(shí)記憶網(wǎng)絡(luò)；時(shí)空預(yù)測(cè)模型；錢塘江南源

中圖分類號(hào)：Ｐ３３８ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０１５

引用格式：李余隆，張?zhí)m，李立．基于ＧＣＮ－ＬＳＴＭ 的錢塘江南源水質(zhì)預(yù)測(cè)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(fēng)氣候影響，流域內(nèi)降水豐富、氣象災(zāi)害種類繁多，加上工廠排污、畜禽養(yǎng)殖場(chǎng)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(huán)境污染嚴(yán)重［１］ 。水體污染會(huì)對(duì)當(dāng)?shù)鼐用裆a(chǎn)生活造成一定影響，甚至制約社會(huì)經(jīng)濟(jì)發(fā)展。水質(zhì)評(píng)價(jià)及預(yù)測(cè)可以清晰地反映水體污染現(xiàn)狀及水質(zhì)未來變化趨勢(shì)，據(jù)此可及時(shí)調(diào)整水資源保護(hù)措施，將水體污染由事后治理轉(zhuǎn)變?yōu)槭虑邦A(yù)防，降低水污染治理成本［２］ 。

常用的水質(zhì)預(yù)測(cè)模型分為機(jī)理模型和神經(jīng)網(wǎng)絡(luò)模型兩種，其中：機(jī)理模型包括ＳＷＡＴ 模型、ＨＳＰＦ 模型等［３－６］ ，通常需要大量實(shí)測(cè)數(shù)據(jù)支撐，且計(jì)算過程復(fù)雜、模擬精度較低［７］ ；神經(jīng)網(wǎng)絡(luò)模型擁有很強(qiáng)的非線性表達(dá)能力，常用的時(shí)間序列預(yù)測(cè)模型包括循環(huán)神經(jīng)網(wǎng)絡(luò)ＲＮＮ［８］ 、長短時(shí)記憶網(wǎng)絡(luò)ＬＳＴＭ［９］ 等，這些序列模型能夠提取水體水質(zhì)時(shí)間序列特征并對(duì)其進(jìn)行預(yù)測(cè)［１０－１５］ 。流域水質(zhì)預(yù)測(cè)時(shí)，某點(diǎn)的水質(zhì)變化不僅與其歷史變化規(guī)律有關(guān)，而且與其上游水質(zhì)變化有關(guān)，而這種空間維度上的傳播影響在單一時(shí)間序列模型中無法表現(xiàn)，應(yīng)合理利用流域各監(jiān)測(cè)點(diǎn)間的空間關(guān)系輔助模型進(jìn)行水質(zhì)預(yù)測(cè)。常見的空間信息提取模型有卷積神經(jīng)網(wǎng)絡(luò)ＣＮＮ，但其只適合在歐氏空間內(nèi)進(jìn)行特征提取，對(duì)于交通網(wǎng)、水網(wǎng)等復(fù)雜的非歐空間，若強(qiáng)行將非歐空間轉(zhuǎn)化為歐氏空間，則會(huì)丟失空間上各監(jiān)測(cè)點(diǎn)間的連接信息，無法反映各監(jiān)測(cè)點(diǎn)間的空間位置關(guān)系及連接的強(qiáng)弱。圖卷積神經(jīng)網(wǎng)絡(luò)ＧＣＮ 是一種可以提取非歐空間特征的網(wǎng)絡(luò)結(jié)構(gòu)，通過圖中心節(jié)點(diǎn)與其周圍節(jié)點(diǎn)之間的拓?fù)浣Y(jié)構(gòu)，對(duì)圖的拓?fù)浣Y(jié)構(gòu)和節(jié)點(diǎn)屬性進(jìn)行編碼，進(jìn)而學(xué)習(xí)得到各節(jié)點(diǎn)的空間依賴關(guān)系。有關(guān)學(xué)者［１６－１８］ 將圖卷積神經(jīng)網(wǎng)絡(luò)ＧＣＮ 應(yīng)用于交通網(wǎng)路段速度預(yù)測(cè)等表明，其具有高可靠性。水網(wǎng)相對(duì)于交通網(wǎng)更為復(fù)雜，監(jiān)測(cè)點(diǎn)之間有明顯的上下游關(guān)系，在構(gòu)建拓?fù)浣Y(jié)構(gòu)時(shí)要考慮監(jiān)測(cè)點(diǎn)間的地理位置信息、流域地理地貌特征等［１９－２０］ 。