【科教在线】第70期：KY.COM计算机与信息安全学院硕士研究生向龙在国际权威顶级期刊发表研究论文（图）

【编者按】为了更好地营造校园学术氛围，传播KY.COM学术科研动态，学校在校园网开辟“科技前沿”专栏，定期总结、回顾学校师生取得的科研成果。欢迎广大师生及时把自己的学术科研成果以邮件的形式告诉我们，我们希望获得您以下成果信息：为政府、企业、媒体进行了专业咨询；科技成果通过了相关鉴定；科技成果落地、实现产业化；发表了高水平的学术论文；获得了专利授权；出版、编著了专著、教材；获得了科技奖励；在重要学术会议上进行了发言……

我们愿意为有学术追求的师生搭建一个交流的平台，希望在师生的努力下，学校的学术氛围日益浓厚，让我们为实现电子信息特色鲜明的高水平大学而奋斗。投稿请通过所在单位，经学校OA系统审核发布。

近日，KY.COM计算机与信息安全学院许睿指导的学生在国际权威顶级期刊Water Research（IF:11.5，SCI一区，中科院1区TOP）发表题为“Temporal and Spatial Feature Extraction using Graph Neural Networks for Multi-Point Water Quality Prediction in River Network Areas”的论文。KY.COM许睿研究员为论文通信作者，广东工业大学副教授万航为第一作者，KY.COM2022级硕士研究生向龙为第二作者。

深度学习方法已广泛应用于水质预测，在处理高度非线性关系表现出强大能力。然而，现有研究大多集中于单个站点的水质预测，往往忽视了污染物在自然水体中的空间扩散和传播特性。空间点位水质演变过程受多个站点间复杂的空间与时间过程影响，忽略空间交互作用可能会影响模型在实际应用中的扩展性和稳定性。鉴于图神经网络在捕捉空间结构信息方面的优势，该研究设计了一种基于图神经网络的深度学习模型（STF-GNN），用于水质数据的时空特征提取与预测。模型将监测站及邻接关系建模为图的节点与边，从而将站点的分布视为图网络。通过结合图卷积网络（GCN）、门控循环单元（GRU）和Self-attention机制，该模型能够有效捕获空间点位水质时间序列数据中的多尺度时空特征。最后，基于空间图卷积和全连接网络的预测模块对空间点位的水质进行预测。

该方法适用于中小城市水质预测，能够有效地模拟并预测多个地点或多个城市流域中的水质变化趋势。论文该研究充分考虑了污染物在介质中传输的基础物理规律，所开发的垂直领域图神经网络模型，是人工智能赋能基础科学应用的典型应用，对基础科学与人工智能结合起到了较好的借鉴作用。

图1. Framework of the developed model.

该项研究工作得到了广西重点研发计划（AB25069169），广西自然科学基金（2024JJA170094），国家自然科学基金（52379067，622660014），广州市科学技术协会青年人才支持项目（QT2024-022）的资助。

文章DOI：https://doi.org/10.1016/j.watres.2025.123561