Fully distributed rainfall-runoff modeling using spatial-temporal graph neural network

分水岭 地表径流 计算机科学 网格 Vflo 径流曲线数 图形 径流模型 数据挖掘 空间分析 水流 水文模型 一般化 水文学(农业) 机器学习 遥感 地图学 理论计算机科学 数学 地理 地质学 数学分析 流域 生物 气候学 岩土工程 生态学 几何学
作者
Zhongrun Xiang,İbrahim Demir
出处
期刊:California Digital Library - EarthArXiv 被引量:9
标识
DOI:10.31223/x57p74
摘要

Recent studies using latest deep learning algorithms such as LSTM (Long Short-Term Memory) have shown great promise in time-series modeling. There are many studies focusing on the watershed-scale rainfall-runoff modeling or streamflow forecasting, often considering a single watershed with limited generalization capabilities. To improve the model performance, several studies explored an integrated approach by decomposing a large watershed into multiple sub-watersheds with semi-distributed structure. In this study, we propose an innovative physics-informed fully-distributed rainfall-runoff model, NRM-Graph (Neural Runoff Model-Graph), using Graph Neural Networks (GNN) to make full use of spatial information including the flow direction and geographic data. Specifically, we applied a time-series model on each grid cell for its runoff production. The output of each grid cell is then aggregated by a GNN as the final runoff at the watershed outlet. The case study shows that our GNN based model successfully represents the spatial information in predictions. NRM-Graph network has shown less over-fitting and a significant improvement on the model performance compared to the baselines with spatial information. Our research further confirms the importance of spatially distributed hydrological information in rainfall-runoff modeling using deep learning, and we encourage researchers to incorporate more domain knowledge in modeling.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
orixero应助陆绮梅采纳,获得10
刚刚
科研通AI2S应助善良夜梅采纳,获得10
2秒前
二三发布了新的文献求助10
3秒前
Jenny发布了新的文献求助10
3秒前
5秒前
儒雅的不愁完成签到,获得积分10
5秒前
5秒前
科研通AI2S应助泥嚎采纳,获得10
6秒前
7秒前
zho发布了新的文献求助10
8秒前
文艺的青旋完成签到 ,获得积分10
8秒前
稳重蜗牛发布了新的文献求助10
8秒前
狂野的念波完成签到,获得积分10
10秒前
monica01010发布了新的文献求助10
10秒前
郑洋发布了新的文献求助10
10秒前
所所应助科研通管家采纳,获得10
10秒前
Lucas应助科研通管家采纳,获得10
10秒前
SciGPT应助科研通管家采纳,获得10
11秒前
ycc发布了新的文献求助10
11秒前
maox1aoxin应助科研通管家采纳,获得30
11秒前
二三完成签到,获得积分10
11秒前
华仔应助科研通管家采纳,获得10
11秒前
11秒前
maox1aoxin应助科研通管家采纳,获得30
11秒前
香蕉觅云应助科研通管家采纳,获得200
11秒前
monere应助科研通管家采纳,获得30
11秒前
11秒前
Pureasy完成签到,获得积分10
12秒前
12秒前
13秒前
打打应助盛开的芒果采纳,获得10
13秒前
小郭子应助巧克力酱采纳,获得20
13秒前
中工发布了新的文献求助10
14秒前
魏佳阁完成签到,获得积分0
14秒前
欢喜小蚂蚁完成签到,获得积分10
14秒前
15秒前
zhenjl完成签到,获得积分10
16秒前
斯文败类应助怡然的冷霜采纳,获得10
17秒前
17秒前
在路上发布了新的文献求助10
18秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3246020
求助须知:如何正确求助?哪些是违规求助? 2889655
关于积分的说明 8259599
捐赠科研通 2558030
什么是DOI,文献DOI怎么找? 1386969
科研通“疑难数据库(出版商)”最低求助积分说明 650355
邀请新用户注册赠送积分活动 626792