淮安市城市雨洪淹没深度预测的Transformer–图神经网络融合模型

《Water》：Urban Pluvial Flood Prediction in Huai’an City Based on a Transformer–GNN Fusion Model

　　

城市雨洪淹没表现出明显的时间累积性、滞后响应性与空间异质性。从时空耦合视角改进淹没深度预测可支撑城市洪涝风险识别与精细化管控。研究人员构建了融合Transformer与图神经网络(GNN)的时空预测模型：Transformer模块捕捉降雨过程与淹没深度演变的时间依赖；图注意力网络(GAT)表征受地形、排水管网及邻域空间关系约束的空间关联；融合注意力机制自适应耦合时间与空间特征。研究采用多源数据（逐时气象观测、地形、土地覆盖、排水管网与水系数据），以2021年7月台风“烟花”(In-Fa)影响淮安市的强降雨事件为典型案例，分析市域尺度区域平均淹没深度的时序演变及淹没网格的空间分异。结果表明：典型强降雨下区域平均淹没深度呈低值稳定—持续上升—快速增加—峰值滞后—高位缓退—快速回落过程，洪峰滞后雨峰约3 h，体现明显累积与滞后响应；市域淹没网格呈主城区建成区集中、县级建成区次集中、非建设用地零散分布格局，深度等级层次分明（轻中度广布、中高度局部聚集、高度级为少量嵌套高值格）；中高度淹没网格空间分异非单一低洼或建设用地所致，而是低洼地形、局部相对凹陷与建设用地不透水面的综合作用。成果为城市洪涝风险识别、网格化风险管理及极端降雨应急调度提供方法支撑与决策参考。

研究背景方面，快速城市化下城市雨洪频发，短时强降雨在排水能力不足区易致街道积水与交通中断。现有方法分三类：基于物理的水动力模型（如SWMM耦合LISFLOOD-FP）可刻画降雨–径流–排水耦合但参数率定难、计算成本高，难支撑实时预警；传统机器学习效率高但难以表达非线性时空演化；深度学习（含CNN）可挖特征但CNN栅格卷积难显式表达排水管网拓扑与水力连通，而图神经网络(GNN)以节点表空间单元、边表水力连接更契合网络传播机理。淮安市低洼多河网，适合作验证。研究人员据此构建Transformer–GNN融合框架，以台风“烟花”2021年7月事件为案例，旨在同时建模降雨时序累积与排水拓扑约束下的空间传播。

关键技术方法上，样本由SWMM（一维管流）与LISFLOOD-FP（二维地表水动力）耦合模拟生成，以历史观测约束验证（NSE=0.68），训练集涵盖多情景降雨以增强泛化；时序分支用Transformer自注意力处理滑动窗口内降雨量与前期累积量，空间分支用图注意力网络(GAT)以排水节点为图、管连为边传播邻域特征，二者经融合注意力自适应加权（公式5–6）；因子体系含气象（时序输入）、地形/排水/土地覆盖/水系（空间节点特征及边拓扑）；预处理含Isolation Forest异常剔除、对数变换目标变量、最近邻插补及交互项构造；对比基准为LSTM、CNN、U-Net，五折交叉验证以R²、RMSE、MAE、MAPE评价。

研究结果部分，3.1节区域平均淹没时序特征表明，淮安该事件中均值水深过程为低值稳定—持续上升—快速增加—滞后约3 h达峰—高位缓退—快速回落；机制上早期洼地存储与入渗吸收降雨，中期前期蓄水占满且产流增强，峰后上游续供与管网高负荷致高位缓退，12:00后补给减弱转为快退；应急含义为雨峰后3 h仍处高危，需延续抽排与管控。3.2节高淹没区空间分布显示，网格在主城建成区集中、县城次集中、非农地零散；15–30 cm广布，30–50 cm及≥50 cm局聚于建成区与局部低洼；非仅海拔控制，而是低洼+相对凹陷+不透水面+管网瓶颈+河湖回水耦合；土地覆盖中建成区与不透水面关联中高淹，农林地因入渗粗糙异于建成区。讨论指出高淹区非固定隐患点而是事件尺度产物，可转地形经验分区为网格级识别，支撑分类分级管控与泵站预置。

结论翻译：本研究构建Transformer与GNN融合的城市雨洪时空预测模型，Transformer捕时序依赖、GAT表地形/管网约束空间关联、融合注意力自适应耦合并行特征。其一，区域均深呈低稳—升—激增—滞后约3 h峰—高位缓退—快退，证实累积滞后性；其二，高淹区空间异质明显，主城集中、县城次集、非建零散，轻中广布而中高局聚；其三，高淹形成系低洼保水、不透水增产流、建成区汇流、管网瓶颈与外河回水多因子耦合，非单因可释；其四，模型五折交叉验证平均R²=0.9561，优于LSTM(0.7533)、CNN(0.8232)、U-Net(0.9305)，RMSE=6.0201 cm、MAE=3.1048 cm、MAPE=11.12%，表明时序–图拓扑融合优于常规序列或卷积架构。局限为样本依赖水动力模拟（NSE=0.68留约32%方差未解）、单事件验证，未来需补实测、多事件与不确定性量化。该文发表于《Water》，为市域尺度雨洪网格预测与应急调度提供可迁移框架。