基于物理属性增强图神经网络的稀疏监测城市排水系统节点水位预测研究

本文提出一种边缘属性增强的时空图卷积网络（Edge-STGCN），通过整合管道物理属性（如管径、长度、高程）提升稀疏监测条件下城市排水系统（UDN）全系统节点水位预测精度。该方法仅需10%监测节点即可实现88.6%节点的可靠预测，显著优于传统MLP（14.5%）和STGCN（47.0%），为洪水风险预警与传感器布设策略提供新视角。

　　

Highlight

本研究开发了一种边缘属性增强的时空图卷积网络（Edge-STGCN），通过将关键物理属性（如管道直径、长度和高程）整合到图结构学习中，显著提升了稀疏监测城市排水系统（UDNs）中全系统节点水位预测的准确性。该方法仅需10%的监测节点即可实现88.6%系统节点的可靠预测，为优化传感器布设策略和解析边缘属性对预测性能的贡献提供了新范式。

Methodology

提出了一种面向稀疏监测UDNs的Edge-STGCN模型框架（图1）。该模型通过以下核心模块实现系统级水位预测：1）数据预处理模块整合多源水文数据与管网拓扑；2）图结构构建模块将管道物理属性编码为边缘特征；3）时空卷积模块耦合门控时序卷积（TCN）与图卷积（GCN）以捕捉时空依赖性；4）物理约束解码器引入水力先验知识提升预测合理性。

Study area

实验区域位于中国东南部某159公顷排水系统，管网总长11,932米，包含376个节点（373个检查井、1个泵站前池和2个排水口）及392条管道。末端泵站设计流量为10.72 m³/s，为复杂水力条件研究提供了理想场景。

Data preparation

采用SWMM水力模型生成多场降雨事件下的节点水位时序数据，构建包含管径、管长、高程等9维边缘属性的图数据集。通过随机掩码模拟不同稀疏度监测场景，训练集/验证集/测试集按7:2:1划分。

The performance of different models in predicting system-wide nodal water levels in sparsely monitored drainage systems

实验表明：在10%监测节点条件下，Edge-STGCN的预测准确率（88.6%）显著超越MLP（14.5%）和STGCN（47.0%）。靠近出水口的小管径分支因高程高于干管，表现出更高的预测不确定性。管道高程被证实为最关键的特征贡献因子（权重占比达32.7%），管径与管长的协同作用使预测稳定性提升19.3%。

Conclusions

Edge-STGCN通过融合物理属性与拓扑结构，实现了稀疏监测UDNs的全系统水位精准预测。该方法不仅为传感器优化布设（优先监测高不确定性分支）提供理论依据，更为城市洪涝预警和污染控制决策提供了数据支撑。未来可拓展至水质参数预测及动态风险图谱构建。