《Journal of Hydrology: Regional Studies》：An exposure-aware graph neural network for peak flood depth prediction in New Jersey urban watersheds
编辑推荐：
提出一种暴露感知的图神经网络（Graph Neural Network, GNN）框架，用于快速洪涝制图中的洪峰水深预测。基于注意力机制的编码器能够捕获驱动洪峰水深响应的降雨脉冲。采用改进加权均方误差（IWMSE）损失函数，优先关注洪水风险评估中的高重要性区域
提出一种暴露感知的图神经网络（Graph Neural Network, GNN）框架，用于快速洪涝制图中的洪峰水深预测。基于注意力机制的编码器能够捕获驱动洪峰水深响应的降雨脉冲。采用改进加权均方误差（IWMSE）损失函数，优先关注洪水风险评估中的高重要性区域。该模型在美国新泽西州三个城市流域中取得了较高的预测精度。
论文解读：暴露感知图神经网络在城市流域洪峰水深预测中的研究
一、研究背景与问题
城市流域洪水预测是洪灾风险评估与防灾减灾的关键环节。传统洪水灾害评估依赖基于物理过程的数值模拟模型，如HEC-RAS、MIKE 21、Delft3D等，这些模型通过求解浅水方程（Shallow Water Equations）模拟洪水演进过程，能够提供详细的洪涝时空分布信息。然而，物理模型计算成本高昂，需要大量数据校准和配置工作，且必须完成完整的时间序列模拟才能提取洪峰水深等关键指标。对于仅需洪峰信息的应用场景，如洪水淹没范围预测和监管性洪泛区制图（基于基准洪水高程，Base Flood Elevation, BFE），完整模拟产生的大量中间结果并未被充分利用，造成计算资源浪费。
近年来，数据驱动和机器学习方法作为高效替代方案受到广泛关注。然而，现有数据驱动方法大多致力于通过深度学习架构复现完整时间序列输出，如人工神经网络、长短期记忆网络（Long Short-Term Memory, LSTM）或混合时空框架。这类方法在预测完整时间序列时增加了计算复杂度和训练数据需求，且将峰值预测视为副产品而非主要优化目标。此外，标准模型在空间域上对所有区域施加统一的误差处理，而极端水深通常发生在河道内，破坏性洪水则多发生在河道外，统一误差处理可能过度强调风险相关性较低的区域，弱化了对高风险区域的预测能力。
另一个关键挑战在于流域的空间表征方式。卷积神经网络（Convolutional Neural Network, CNN）依赖规则网格，无法自然捕捉地形梯度和连通性所驱动的洪水传播过程。相比之下，基于图的表征允许物理模型的计算单元按照物理意义相关的空间关系连接，更适合作为水力学替代模型。因此，亟需一种直接面向洪峰水深预测、结合暴露感知优化策略的图神经网络框架。
二、研究内容与结论
研究人员提出了一种基于图的建模框架FloodMAGNet（Flood Multi-Attribute Graph Network），用于直接预测城市流域的最大洪水水深。该框架利用水力学模拟输出，构建由水力学连通性引导的图结构，将静态地理空间特征和动态降雨输入直接映射至洪峰水深。同时引入暴露感知损失函数，优先保障高风险区域的预测精度，使模型优化与灾害评估目标对齐。该框架在新泽西州多个流域进行了测试，覆盖设计暴雨、实测降雨事件和合成暴雨等多种情景。研究结果表明，该模型能够在多种风暴条件下准确捕获最大洪水范围，且仅需少量设计暴雨即可对未见降雨情景进行快速推断。此外，基于合成降雨模式训练的模型能够迁移至具有不规则特征的实测风暴事件预测。
三、关键技术方法
研究人员采用以下关键技术方法：其一，基于HEC-RAS 2D计算网格构建有向图，每个计算单元中心对应一个图节点，节点包含高程、坡度、曲率、曼宁粗糙系数、入渗率、不透水率、距河流距离、标准化坐标和单元面积等10项静态属性；其二，采用K近邻（K-Nearest Neighbor, KNN）方法构建边，结合最大距离阈值和角度容差进行方向性过滤，以保持与水力学模型一致的局部连通性；其三，采用边缘卷积（Edge Convolution）进行消息传递，利用基于距离的边权重强化局部水力学影响；其四，引入基于注意力机制的降雨编码器捕获降雨脉冲对洪峰响应的贡献；其五，采用暴露感知的改进加权均方误差（IWMSE）损失函数，对住宅、商业、学校和公共设施等优先地块赋予更高权重。研究区域包括新泽西州恩格尔伍德（Englewood）、欧文顿（Irvington）和帕特森（Paterson）三个城市流域，其中恩格尔伍德作为模型开发的主要研究区，其余两个流域用于评估框架的架构适应性。
四、研究结果
图构建与特征工程： 研究人员从HEC-RAS 2D模型中提取计算点作为图节点，通过空间连接和方向性过滤构建有向图。恩格尔伍德流域包含40,581个节点和317,505条边，欧文顿流域包含33,646个节点和266,505条边，帕特森流域包含151,010个节点和1,201,110条边。高优先级节点（住宅、商业、学校和公共设施）分别占各流域节点的53%至68%。
模型架构设计： FloodMAGNet结合边缘感知消息传递与注意力降雨编码器，采用晚期融合策略保持空间与时间学习的分离。消息传递通过边缘卷积实现，利用距离加权边属性传递邻居节点信息。注意力编码器通过注意力权重对特定降雨时间戳赋予学习重要性，有效表征异质风暴事件和延迟的降水-径流响应。
暴露感知损失优化： 通过空间连接地块数据识别优先地块类别，对四类地块（住宅、商业、学校和公共设施）相交节点施加5倍权重乘数。权重归一化确保非优先节点保留27%至32%的基础影响力，维持模型学习流路径的能力。
模型性能评估： 模型在恩格尔伍德流域的实测降雨事件（2024年8月18日风暴，总累积量49.5毫米，峰值小时强度38毫米）上建立了性能基线。在欧文顿和帕特森流域，模型在更长持续时间的暴雨事件上验证了其跨流域适用性和对变化时间序列长度的适应性。合成暴雨通过交替排列不同重现期设计暴雨生成，引入多峰值特征，使模型能够捕获前期强降雨导致的饱和条件对径流产生的影响。
五、讨论与结论
讨论部分指出，该研究聚焦于评估基于图的洪峰水深替代模型的预测能力，其向实际洪涝观测的迁移性取决于底层水动力模型的保真度。曼宁粗糙系数、土壤类型和入渗参数直接源自国家土地覆盖数据库（NLCD）和Web Soil Survey数据集，外部边界条件线绘制在二维流区之外以允许出流，物理模型经过适度校准以实现数值稳定性和最小质量平衡误差。雨水和污水管网数据集通常不公开，因此被排除以保证实验设计的可复现性。此外，均匀雨网格配置在以河流为主的系统中存在局限性，如帕特森流域，限制了完整河流动力学的贡献，物理模拟主要捕获暴雨和局部漫滩洪水。
研究结论表明，该框架通过直接预测洪峰水深而非完整时间序列，显著降低了计算需求，同时保持了高精度。暴露感知损失函数使模型优化与灾害评估目标对齐，提高了洪水水深预测在实际风险评估中的实用性。基于合成降雨训练的模型能够有效迁移至实测风暴事件，证明了框架的泛化能力。该研究为快速洪涝制图和洪水灾害评估提供了一种高效、可扩展的替代方案。
