引言
沿海城市排水系统日益受到复合降雨和下游水位强迫的影响，包括风暴潮、高天文潮和河流倒灌（Green et al., 2025, Zscheischler et al., 2018）。在沿海排水网络中，洪水响应同时取决于降雨负荷、管道输水能力和受纳水体边界条件（Archetti et al., 2011, Santiago-Collazo et al., 2019）。这种相互作用在低坡度环境中尤为重要，下游边界效应可向内陆延伸，同时径流持续进入排水系统（Bilskie and Hagen, 2018, Hu et al., 2023, Lin et al., 2024）。因此，随着蓄泄条件和边界暴露程度的变化，不同网络位置和事件阶段的响应可能有所差异（Pan et al., 2026, Zellou and Rahali, 2019）。复合降雨-潮汐排水预测必须表征这种节点尺度和阶段依赖的行为，而不仅仅是平均网络轨迹。表1。
基于物理的水动力模型仍然是分析复合降雨-潮汐排水过程的关键。SWMM表征排水网络拓扑、径流产流、管道水力、节点蓄水和出口边界条件，其性能已在广泛的城排水应用中得到评估（Niazi et al., 2017, Rossman, 2015）。耦合的城市水文-水动力模型将此过程表征扩展到陆面和排水组（Chen et al., 2022, Chen et al., 2025, Guan et al., 2024, Hu et al., 2021）。然而，对于大型情景库和迭代评估，重复的动态波模拟计算量巨大（Garzón et al., 2022, Zhang et al., 2024）。因此，最近的加速研究使用了学习模拟或主动采样来减少重复的洪水模型运行（Liao et al., 2025, Terlinden-Ruhl et al., 2025）。这些进展促使发展仿真信息代理模型，既保留水动力模拟的信息，又能快速评估重复情景。
数据驱动和物理引导的代理模型已被应用于水文和水动力模拟、快速洪水评估和空间洪水制图（Bao et al., 2025, Bentivoglio et al., 2022, Donnelly et al., 2024, Garzón et al., 2022）。复合沿海应用已使用水动力模型输出来训练水位或洪水深度响应的快速预测器，以应对内陆和沿海驱力的相互作用（Dang et al., 2024, Sampurno et al., 2022, Xu and Gao, 2024）。在这些方法中，GNN与城市排水非常匹配，因为系统自然由节点-管道连接性表征（Simone et al., 2022, Zhang et al., 2024）。基于图的水文和洪水模型进一步展示了具有物理意义的连接性如何支持河流和洪水影响网络的空间传播（Bentivoglio et al., 2025, Sun et al., 2022, Yuan et al., 2022）。
最近的排水网络GNN代理模型已使用拓扑感知消息传递进行实时水力预测，并研究了图架构、处理器深度、预测时域和迁移策略如何影响性能（Garzón et al., 2026, Zhang et al., 2024）。这些研究确立了排水拓扑作为归纳偏置的价值。它们还报告了在上游或受倒灌和水工结构表征影响的出口位置仍存在困难，同时直接跨网络使用仍需要适应（Garzón et al., 2026）。因此，在复合降雨-潮汐强迫下，异质节点响应、阶段依赖的水力演化以及选择性的下游边界影响仍未得到充分解决。
在固定排水网络中，出现了一个进一步的评估问题：网络平均误差不能显示误差是否集中在水力活跃节点或关键事件阶段。因此，环境模型评估受益于能够区分响应幅度、时序和空间行为的诊断指标，而非依赖单一的综合评分（Bennett et al., 2013）。相对于持续性状态所需的校正，在低响应、上升、近峰值和退水条件之间也可能不同。同时，复合洪水模型表明下游边界影响具有空间选择性，而非网络均匀性（Pan et al., 2026, Tanim et al., 2024）。这些局限性促使发展响应感知代理预测，将水力状态更新分配到动态响应最重要的地方。
为解决此问题，本研究提出了一种响应模式感知门控图神经网络（RPAG-GNN），用于复合降雨-潮汐情景下节点级水位的快速预测。RPAG-GNN使用离线SWMM模拟输出进行训练，并融合了排水拓扑、历史水力状态、预设降雨-潮汐强迫和前期潮汐记忆描述符。其核心设计是响应监督残差更新分配：通过学习的门控利用SWMM衍生的响应状态、峰值强度和阶段演化线索来调节节点和步骤特定的水位校正。
模型行为通过响应导向的诊断指标进行评估，包括总体水力误差、高响应误差、峰值窗口误差、峰值时相误差和动态热点重叠。这些诊断指标检验预测增益是否发生在水力重要节点和阶段，以及模型组件的行为是否与边界调节的排水响应一致。
本研究做出了三项贡献。首先，在节点和事件尺度上刻画了复合降雨-潮汐响应异质性和动态热点行为。其次，开发了RPAG-GNN作为响应监督残差更新图代理模型，集成了水力图表征、前期潮汐记忆上下文和SWMM衍生的响应线索。第三，使用响应导向诊断指标来解释同一网络测试环境下的门控激活、潮汐记忆选择性和热点演化。
该框架在固定翠屏排水拓扑下评估了同一网络情景泛化能力，适用边界在第5.4节中讨论。
