[论文解读] High-resolution rainfall-runoff modeling using graph neural network

Zhongrun Xiang, İbrahim Demir|arXiv (Cornell University)|Oct 21, 2021

Hydrology and Watershed Management Studies参考文献 17被引用 5

一句话总结

该论文提出GNRRM，一种基于图神经网络的降雨-径流模型，利用高分辨率空间数据（包括流向和地理特征）在子流域范围内提升径流预测精度。通过将流域动态建模为图结构，其中节点代表空间网格单元，边编码水流连通性，GNRRM能够捕捉细粒度的水文过程，在性能表现上优于基线模型，且过拟合现象更少。

ABSTRACT

Time-series modeling has shown great promise in recent studies using the latest deep learning algorithms such as LSTM (Long Short-Term Memory). These studies primarily focused on watershed-scale rainfall-runoff modeling or streamflow forecasting, but the majority of them only considered a single watershed as a unit. Although this simplification is very effective, it does not take into account spatial information, which could result in significant errors in large watersheds. Several studies investigated the use of GNN (Graph Neural Networks) for data integration by decomposing a large watershed into multiple sub-watersheds, but each sub-watershed is still treated as a whole, and the geoinformation contained within the watershed is not fully utilized. In this paper, we propose the GNRRM (Graph Neural Rainfall-Runoff Model), a novel deep learning model that makes full use of spatial information from high-resolution precipitation data, including flow direction and geographic information. When compared to baseline models, GNRRM has less over-fitting and significantly improves model performance. Our findings support the importance of hydrological data in deep learning-based rainfall-runoff modeling, and we encourage researchers to include more domain knowledge in their models.

研究动机与目标

• 解决现有深度学习模型在捕捉大流域空间水文动态方面的局限性。
• 将高分辨率降水、流向和地理信息整合到统一的深度学习框架中，以改进降雨-径流建模。
• 通过在水文系统中利用空间图结构，减少过拟合并提升模型泛化能力。
• 展示将领域特定水文数据融入图神经网络架构在环境建模中的价值。

提出的方法

• GNRRM模型将流域表示为一个空间图，其中每个节点对应一个网格单元，其特征包括降水、高程和流向信息。
• 图卷积层通过沿流向路径聚合邻近节点的信息来处理空间依赖性，从而保持水文连通性。
• 该模型采用基于图的消息传递机制，在子流域间传播水流动态，实现对复杂径流过程的端到端学习。
• 将坡度和土地利用等地理空间特征作为节点级特征，以增强每个网格单元的表征能力。
• 该架构采用观测到的径流作为目标，通过时间序列上的损失函数最小化预测误差，实现端到端训练。
• 采用多尺度图池化策略，以捕捉局部和区域性的水文模式。

实验结果

研究问题

• RQ1 通过利用空间流向和地理数据，图神经网络能否有效建模高分辨率降雨-径流过程？
• RQ2 与传统流域尺度模型相比，整合详细空间信息在多大程度上提升了预测精度？
• RQ3 与标准RNN和LSTM基线模型相比，GNRRM在多大程度上减少了过拟合？
• RQ4 将水文领域知识整合是否能提升模型在多样化流域条件下的泛化能力？

主要发现

• 在高分辨率数据集上，GNRRM在径流预测精度方面显著优于标准LSTM和GNN基线模型。
• 由于其结构化的图归纳偏置尊重了水文流向连续性，该模型表现出更少的过拟合现象。
• 整合流向和地理特征显著提升了模型性能，尤其在大型复杂流域中表现更为明显。
• 采用空间图建模使模型在子流域间的泛化能力优于将每个子流域视为独立单元的方法。