一种多尺度时空图神经网络，用于基于气象数据的太湖溶解氧预测 夏一鸣（Yiming Xia）、 李琦琪（Qiqi Li）、 孙松汉（Songhan Sun）、 丁晨（Chen Ding）、 查一晨（Yichen Zha）、 杨继泉（Jiquan Yang）和 史建平（Jianping Shi）

《Water》：A Multi-Scale Spatio-Temporal Graph Neural Network for Meteorology-Driven Dissolved Oxygen Prediction in Taihu Lake Yiming Xia, Qiqi Li, Songhan Sun, Chen Ding, Yichen Zha, Jiquan Yang and Jianping Shi

　　

摘要

溶解氧（DO）是表征淡水湖泊水质和生态系统状态的关键指标，其浓度与周围水生环境，特别是气象条件密切相关。然而，传统的DO预测方法难以有效捕捉多站气象因素与DO浓度时间序列之间的复杂耦合关系，从而限制了预测的准确性。本研究提出了一种结合了多种气象因素的多尺度时空图神经网络。以太湖及其周边城市为研究区域，基于气象站之间的地理邻近性构建了气象图，并采用“局部-全局”双层建模策略来捕捉在气象作用下DO浓度的时空依赖性。利用R²、RMSE、MAE和MAPE作为评估指标，我们对2023–2024年的太湖太湖山水质数据集进行了单步和多步DO预测实验，并将所提出的模型与常用的预测模型进行了比较。在单步预测任务中，所提出的模型将R²提高了2.12–20.84%，同时将RMSE、MAE和MAPE分别降低了3.05–40.80%、14.97–53.26%和6.91–55.62%。在6步预测和12步预测任务中，RMSE和MAE分别降低了3.79–15.75%和6.68–23.09%，以及5.03–10.39%和7.13–16.46%。实验结果为所提出模型在单步和多步DO预测中的优越性提供了定量证据。本研究提供了一种新颖的数据驱动工具，用于湖泊水质预警和饮用水安全监测，所提出的框架可作为受多源环境因素驱动的水质预测研究的参考。