[论文解读] Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks

Muhammed Sit, Bekir Zahit Demiray+1 more|arXiv (Cornell University)|Jul 7, 2021

Hydrological Forecasting Using AI参考文献 20被引用 53

一句话总结

本文提出 StreamGConvGRU，一种图卷积门控循环单元(Graph Convolutional GRU)模型，使用上游河网预测 outlet 传感器未来 36 小时的逐小时流量，在 Johnson County, Iowa 的研究网络中，表现优于持久性基线和 ConvBiGRU 基线。

ABSTRACT

The frequency and impact of floods are expected to increase due to climate change. It is crucial to predict streamflow, consequently flooding, in order to prepare and mitigate its consequences in terms of property damage and fatalities. This paper presents a Graph Convolutional GRUs based model to predict the next 36 hours of streamflow for a sensor location using the upstream river network. As shown in experiment results, the model presented in this study provides better performance than the persistence baseline and a Convolutional Bidirectional GRU network for the selected study area in short-term streamflow prediction.

研究动机与目标

• 由于气候变化导致的洪水风险增加，需要准确的短期流量预测。
• 开发一个基于图的神经网络方法，利用上游水文连通性来预测未来的流量。
• 在真实网络中展示相对于基线持久性和 ConvBiGRU 模型的预测性能改进。
• 评估在一个小规模河网中使用图神经网络进行水文预报的可行性。

提出的方法

• 提出 StreamGConvGRU，利用三个子网处理三组数据序列：过去36小时排水量、过去36小时降水量、未来36小时降水量。
• 基于水文连通性和站点间距离作为边权，构建包含八个 USGS 传感器位置的图。
• 将15分钟数据聚合为小时；在每个流域内聚合 Stage IV 降水量；将三条序列输入到各自的 GConvGRU 分支，其输出相加并传递给线性层，生成所有传感器的36小时预测。
• 将 StreamGConvGRU 与基线 ConvBiGRU 和持久性基线进行比较，使用 Nash-Sutcliffe Efficiency (NSE) 作为评估指标。
• 在 NVIDIA GPU 上使用 RMSprop 和 L1 损失训练模型；选择最佳验证权重并报告测试预测。
• 使用 pytorch-geometric-temporal 实现 StreamGConvGRU；ConvBiGRU 使用所有传感器的 24x36 输入矩阵。

实验结果

研究问题

• RQ1 利用上游河道网络信息的图卷积GRU模型是否能够改善目标传感器的短期（36 h）逐小时流量预测？
• RQ2 StreamGConvGRU 是否在逐小时流量预测的 NSE 指标上优于持久性基线和 ConvBiGRU 基线？
• RQ3 上游网络数据和空间连通性对短期流量预测的贡献是什么？
• RQ4 在一个小型河网上的初步结果是否可指示可扩展到更大的网络或更长的预测时长？

主要发现

• StreamGConvGRU 在第五小时后，在短期逐小时流量预测中优于持久性基线和 ConvBiGRU 模型。
• 由于流量梯度的原因，持久性在初始小时表现最好，但随着利用上游信息，StreamGConvGRU 获得预测领先。
• ConvBiGRU 在该设置中作为基于 GRU 的模型也很强，但仍不及 StreamGConvGRU。
• 本研究展示了在真实传感器网络（八个量测点）中应用图神经网络进行流量预测的可行性。