探索一种基于过程感知的时空图模型的替代方法,用于集成式城市排水系统模拟

《Journal of Hydrology》:Exploring a process-aware spatiotemporal graph-based surrogate for integrated urban drainage simulation

【字体: 大 中 小 】 时间:2026年03月24日 来源:Journal of Hydrology 6.3

编辑推荐:

  智能城市排水系统模拟中,过程感知时空图神经网络模型PAST通过融合LSTM和GAT实现水文-水动力联合仿真,创新性地引入自适应连接层编码工程控制规则,在中等透水率住宅区测试中NSE达0.96和0.88,显著优于基线模型且具备物理可解释性。

  
作者:尹博岩、李瑞东、潘宝祥、倪光恒
单位:清华大学水利水电工程国家重点实验室,北京 100084,中国

摘要

近几十年来,极端降雨和洪灾的加剧凸显了基于城市排水模型(UDMs)的智能洪水风险缓解措施的重要性。然而,UDMs的高计算成本限制了其在实施先进雨水管理策略中的应用,因此人们越来越关注构建高效的替代模型。现有的方法存在几个关键局限性,包括对降雨-径流路径过程的不完整表示、对排水网络调节作用的编码不足以及缺乏物理可解释性。为了解决这些问题,本研究提出了一种基于过程-硬件-空间-时间图神经网络的替代模型PAST,该模型能够全面模拟水文和水动力过程,并结合了调节效应。PAST利用长短期记忆(LSTM)网络进行降雨-径流模拟,并将图注意力网络(GAT-LSTM)集成到水动力路径计算中,同时引入了自适应连接层以合理嵌入元素级别的控制规则。在具有中等不透水性的居民区应用中,PAST的表现非常出色,其Nash-Sutcliffe效率(NSE)值分别为0.96(水深)和0.88(总径流量),显著优于基线模型——尤其是在有调节条件的情况下和极端降雨事件期间。此外,基于注意力的可解释性分析表明,PAST通过为贡献更高径流量的节点分配更多注意力权重,从而学习了物理上合理的动态行为,增强了所开发替代模型的透明度和可诊断性。与以往的研究相比,这项工作为城市排水系统提供了集成、可解释且高效的替代建模方法,并具有可靠的物理机制,为智能雨水管理奠定了坚实的基础。

引言

作为排水过量径流的关键基础设施,城市排水系统(UDS)是有效减轻局部洪水风险的结构性措施(Guo等人,2021年)。同时,人们一直在努力通过城市排水模型(UDMs)构建真实世界网络的数字孪生模型,以实现高保真度和效率,支持洪水灾害管理策略,如早期预警和实时控制(Bartos和Kerkez,2021年)。
UDM旨在通过参数化物理过程(如径流生成和流动路径)来模拟复杂城市环境中的雨水传输,这些过程结合了水文和水动力方程(Ferrans等人,2022年;Luo等人,2022a年)。对于径流生成,UDMs通常将整个模拟域离散为较小的空间单元,如不规则子流域或均匀网格(Salvadore等人,2015年),并执行涉及拦截、蒸发、滞留和渗透等水文过程的降雨-径流计算(Pan等人,2012年)。在获得地表径流后,UDM通过多层排水结构(包括道路、雨水管道和河流渠道)进行路径模拟,这些结构受圣维南方程等水动力方程的控制,使用节点-链接离散化方法(Lyu等人,2018年;Cao等人,2021年)。然而,由于图结构元素的固有拓扑复杂性,当前的数值方案难以实现水文和水动力模拟的高效并行化(Mizukami等人,2021年;Tiernan,2022年),这对实时操作应用造成了巨大的计算成本(Piadeh等人,2022年)。
最近,基于深度学习(DL)的方法作为提高模拟效率的同时保持高精度的有希望的解决方案而出现(Kratzert等人,2018a年;Kabir等人,2020年;Fraehr等人,2023年)。在各种DL模型中,图神经网络(GNNs)因其在处理非欧几里得数据方面的强大能力而受到广泛关注(Gupta等人,2021年;Deng等人,2023年)。具体来说,GNNs通过在局部邻域之间传播信息并将信息聚合成具有共享功能的节点特征来处理基于图的数据(Cheng等人,2025年)。这种独特的能力使GNNs在解决复杂水文挑战方面具有广泛的应用,如径流预测(Sun等人,2022年)、水资源需求预测(Li等人,2024e)和地下水位估计(Bai和Tahmasebi,2023年)。值得注意的是,GNNs在模拟城市排水网络中的复杂相互作用方面也显示出巨大潜力,其中管道系统的固有拓扑结构自然与其图形表示相吻合(Garzón等人,2022年)。Zhang等人(2024年)是最早提出基于GNN的排水网络路径模拟模型的研究者之一,证明了其在各种水力条件下的优越模拟性能。Garzón等人(2024年)和He等人(2025年)随后扩展了GNN的应用范围,创建了能够精确估计未见网络中水力头的相关元模型,证实了基于GNN的UDM的潜在可转移性。
然而,在UDS的全面替代模拟方面仍存在几个根本性限制,包括:
  • 1.
    过程表示不完整。当前的基于GNN的UDMs主要关注水动力模拟,但忽略了降雨-径流转换的结合,而这是城市洪水情景的关键驱动因素。例如,Zhang等人(2024年)将地表径流作为外部流入边界条件,并仅专注于排水网络的水力条件预测。这种表述需要额外的耦合工作与降雨-径流模块,无法实现实用的UDS综合模拟。此外,在高度异质的城市区域模拟降雨-径流关系仍然是一项非平凡的任务(Luo等人,2022b年)。微地形(Voter和Loheide II,2018年)和前期土壤湿度条件(Rahmati等人,2024年)等因素控制着城市化流域的水文响应,并进一步调节由降雨驱动的地表径流。此外,对弹性雨水管理的日益需求促进了城市中绿色基础设施的适当配置(Rentachintala等人,2022年),这进一步要求UDM配备考虑更丰富径流生成机制的综合水文参数化(Broekhuizen等人,2019年;Hu等人,2021年)。因此,为了全面理解UDS的动态,应更加关注结合水文和水动力过程的综合替代模型(Ren等人,2025年)。
  • 2.
    调节作用编码不足。与自然流域不同,城市化区域通常受到工程措施的严格控制,因此与无调节流动情景相比,UDMs需要结合相关的控制方程(Wang等人,2023年)。虽然物理模型已经建立了各种计算方案来结合调节效应,但当前的替代模型仍然缺乏合理的参数化方法来在UDS中编码工程控制措施。在DL水文模拟的更广泛背景下,现有研究探索了通过引入额外的解释变量(Tursun等人,2024年)、学习流入-流出关系(Yang等人,2019年)和用水平衡定律进行约束(Zheng等人,2022年)来整合人类调节。尽管这些方法利用了DL模型的端到端能力,但它们未能精确编码特定操作信息,从而在需要精确控制某些位置时削弱了调节效果。当考虑UDS中的实时控制(RTC)策略的最新进展时,这一研究差距尤为明显,其中调节设施(如闸门和泵)将根据排水网络的规定规则和水力条件进行操作(Fletcher等人,2024年)。这些有希望的进展进一步强调了改进替代建模范式的必要性,这些范式明确在基于神经网络的计算方案中编码调节过程。
  • 3.
    内在的物理可解释性。尽管替代模型可以实现更高的计算效率和预测能力,但其黑盒性质使得难以揭示其推理过程,进一步降低了它们在支持利益相关者灾害相关决策方面的可信度(Albahri等人,2024年;He等人,2024年)。关于DL模型的固有复杂性,主流研究提出了各种事后可解释性方法来解释和理解DL模型的内部工作原理(Barredo Arrieta等人,2020年)。就GNN而言,除了通过图形表示进行强大的归纳偏置外,注意力机制也成为模型解释的流行方法,其中注意力向量作为贡献于模型推断的相邻节点相对重要性的代理(Hu等人,2024年)。尽管现有研究已将注意力机制纳入基于GNN的UDM以改进替代模型设计(Zhang等人,2024年),但很少有研究试图直接解码学习到的注意力向量与排水网络的水力条件之间的关系,并揭示替代模型的物理结构。因此,值得进一步关注的是,基于GNN的替代模型是否学习了物理上相关的过程,并在其可靠模拟的基础上建立社区信任。
因此,我们针对已识别的研究差距提出了以下三个研究问题:1.
我们如何设计一个结合水文和水动力过程的综合替代模型来模拟UDS?
  • 2.
    我们如何在UDS中实现包含元素级别控制规则的有效调节方案?
  • 3.
    我们如何探究替代模型中学习到的组成部分,以物理上阐明城市排水模拟的神经动态?
  • 为了解决这些问题,本文的其余部分安排如下:第2节概述了所提出的基于DL的替代模型的方法论,强调了其过程感知设计和调节信息的编码。第3节通过与基线模型的比较基准测试、组件级消融研究、可解释性分析、计算效率比较以及对未见降雨事件的泛化评估来评估模型的性能。

    方法论

    在本节中,我们详细介绍了基于过程-硬件-空间-时间图神经网络的替代模型PAST的设计,该模型能够实现受调节UDS的实时水文-水动力模拟。

    PAST适用于受调节的城市排水系统模拟

    针对审稿人的评论:
    审稿人2指出了上游区域流入量和水深精度之间的差异。作者将此归因于参考物理模型的数值不稳定性。如果使用该模型作为严格的训练目标可能会带来风险,因为其质量守恒性可能受到严重违反。作为未来迭代的建议,作者可以考虑添加一个基于物理学的损失项,以强制替代模型即使在

    展望与局限性

    PAST提出的框架为集成城市排水模拟提供了准确且稳健的解决方案,具有高效率。受理论指导的机器学习为通用和可解释的替代模型提供了动力(Karpatne等人,2017年;Nearing等人,2021年;He等人,2024年),PAST通过使用结构相似的基于神经网络的方案参数化相关的水文和水动力过程,完全结合了城市排水系统的基本特征,

    结论

    本研究提出了一种新的基于过程感知的时空GNN替代模型PAST,用于模拟受调节的城市排水系统的综合水文和水动力过程。该模型成功应用于中等不透水面积比的住宅社区,并表现出比现有替代架构显著的改进。本研究的主要贡献包括:
    • •
      PAST利用LSTM和GAT的能力进行状态空间转换

    CRediT作者贡献声明

    尹博岩:撰写——审阅与编辑、撰写——原始草稿、可视化、软件、方法论、形式分析、数据整理。李瑞东:撰写——审阅与编辑、撰写——原始草稿、方法论、形式分析、概念化。潘宝祥:撰写——审阅与编辑、软件、方法论。倪光恒:撰写——审阅与编辑、资源获取、调查、资金筹集、概念化。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

    致谢

    本工作得到了水利水电工程国家重点实验室(sklhse-TD-2024-C01)和中国国家重点研发计划(2022YFC3090604)的支持。RL还获得了清华水木学者计划的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号