自迭代时空图神经网络在水文流量预测中的应用：长短期拓扑动力学建模

本文提出自迭代时空图神经网络(SiSGNN)，通过融合水文领域知识构建预定义图，结合图结构学习模块挖掘时序数据潜在空间关系，突破静态图局限。创新性采用时空卷积架构同步建模动态空间关联与时间依赖性，在安徽屯溪流域验证中显著优于基线模型，为洪灾预警和流域管理提供新范式。

　　

亮点

本研究开发的SiSGNN框架通过三重创新机制破解水文预测难题：1）融合地理坐标与流量相似性的领域知识图谱；2）动态迭代更新拓扑结构的自学习模块；3）门控时序卷积(TCN)与图卷积(GCN)协同的时空编码器。

方法学

提出自迭代时空图神经网络(SiSGNN)，通过扩散卷积模拟山区流域双向流（如回流、分流），采用门控机制调控时序信息流。预定义图整合水文物理特征与数据驱动关系，动态学习模块捕捉滑坡等突发事件引发的拓扑突变。

研究区域与数据集

以中国安徽屯溪流域为验证场景，该区域属于新安江流域上游典型中小型盆地，兼具沿海季风区水文特征与快速城市化影响，是检验模型应对复杂环境变化的理想试验场。

结果与讨论

实验表明：1）在72小时预见期预测中，SiSGNN的Nash效率系数达0.94，较传统LSTM提升23%；2）动态图学习模块成功识别出降雨侵蚀导致的短期河道改道事件；3）模型对监测站稀疏区域表现出强泛化性。

结论

SiSGNN通过"领域知识+自适应学习"双驱动策略，突破传统模型对长周期地貌演变（如土地利用变化）与短周期突发事件（如暴雨径流）的建模瓶颈，为智慧流域管理提供可解释AI工具。