基于图神经网络的洞庭湖洪水与枯水模拟分析
Abstract
洞庭湖是长江中游的重要湖泊，准确模拟其各输入、输出站点的径流响应关系，对湖区防汛抗旱和生态保护至关重要。针对复杂水力连接下洞庭湖流域多站点径流过程的时空非线性关联特性，本研究提出了一种基于图神经网络的多输入多输出径流响应模型。首先，利用长江、洞庭湖和四水的流域拓扑空间结构，将各站点的原始观测序列转化为图结构数据，以表征多站点之间的空间关联特性；然后，通过互相关分析法研究各站点观测变量之间的时滞关系，确定模型的输入特征步长；最后，利用图神经网络对数据中的站点特征进行聚合与更新，以捕捉关键控制站点间的复杂时空依赖性，提高多站点径流模拟的准确性和可靠性。结果表明：在洪水事件中，图神经网络的纳什效率系数和平均绝对误差相比前馈神经网络和长短期记忆神经网络模型均提高5%以上，且相关性系数均超过0.97；在枯水断流事件中，召回率和精度普遍超过0.96。图神经网络在洪水和枯水断流等水文事件模拟方面具有明显优势，可为洞庭湖防汛抗旱和生态治理提供科学依据。
Fields of Study & Subjects
Hydrological Forecasting Using AI
Hydrology and Watershed Management Studies
Environmental Monitoring and Data Management
Publication details
- Journal / source
- Journal of Lake Sciences
- Volume
- 38
- Issue
- 1
- Pages
- 328–338
- Publication date
- 1 January 2026
- Language
- EN