利用基于贝叶斯理论的图神经网络评估空间连通性对日径流预测的影响Assessing spatial connectivity effects on daily streamflow forecasting using Bayesian-based graph neural network

   该研究考虑真实流域内不同站点的空间连通性，构建了基于图结构数据的流域网络。此外，提出了一种新颖的图神经网络模型，即变分贝叶斯边缘条件图卷积模型，该模型由边缘条件卷积网络和变分贝叶斯推理组成，用于评估空间连通性对日常水流预测的影响。所提出的图神经网络模型应用于预测中国长江流域水文站的次日径流。使用六个比较模型和三个比较实验组来验证模型性能。结果表明，所提出的模型在确定性预测精度（NSE≈0.980、RMSE≈1362.7和MAE≈745.8）和概率预测可靠性（ICPC≈0.984和CRPS≈574.1）方面具有优异的性能，这表明建立适当的连接和合理识别流域网络中的连接关系可以有效提高图卷积模型的确定性和概率性预测性能。

 《Science of The Total Environment》是中科院一区TOP期刊，也是一份国际性的多学科期刊，用于发表关于整个环境的新颖、假设驱动和高影响的研究，这些研究将大气、岩石圈、水圈、生物圈和人类环境联系在一起。

  我校为该项工作的第一完成单位及通讯单位，水利水电科学研究院博士研究生刘冠君为该论文的第一作者，覃晖教授为唯一通讯作者。该研究得到国家重点研发计划（2021YFC3200303）和国家自然科学基金（51979113、52039004、U1865202）等项目的支持。