引言
城市内涝已成为一项严峻的全球性挑战（Vajjarapu and Verma, 2021, Xu et al., 2023, Zhou et al., 2017），并因日益加剧的气候与人为压力而进一步恶化（Hou et al., 2022, Li et al., 2023, Vajjarapu and Verma, 2021）。具体而言，气候变化导致短历时强降雨事件频率增加，从而加剧了城市区域的短期雨水积聚，使传统排水基础设施不堪重负（Miller and Hutchins, 2017）。城市土地利用变化进一步加剧了这一风险，例如不透水表面的扩大和排水系统设计的不足，阻碍了暴雨径流的排放，从而造成了雨水径流内涝的系统性脆弱性（Hassan et al., 2022, Luo and Zhang, 2022, Tian et al., 2019）。
低影响开发（LID）策略通过部署分散式绿色基础设施来模拟自然水文过程，在街区或城市尺度上展现出削减径流的理论潜力（Yu et al., 2022），并已在全球范围内得到推广（Movahedinia et al., 2022）。然而，关键的实践局限性依然存在。LID设施的选址优化（SAO，即LID-SAO）是一个高维、多目标的挑战，需要在暴雨径流削减与经济约束之间取得平衡。关键变量——如设施类型、空间配置和小流域水文相互作用——与性能结果和实施成本之间呈现出非线性关系（Li et al., 2025）。然而，当前方法缺乏系统性应对这些权衡的稳健框架，特别是在高分辨率城市排水系统中，小流域的复杂性带来了严峻的计算约束，而城市管网系统的复杂性使得理想化的简化处理容易产生显著误差（Cao and Ni, 2019）。排水网络复杂的拓扑结构以及研究区域的扩大共同导致了求解空间内搜索负担的指数级增长，从而将传统优化问题转化为大规模优化挑战。
LID-SAO问题可以通过将多目标优化（MOO）算法与暴雨管理模型（SWMM）相结合来有效解决。例如，传统多目标进化算法（MOEA），如非支配排序遗传算法-II（NSGA-II），在与SWMM耦合的小规模LID-SAO问题中已展现出其适用性（Hashemi and Mahjouri, 2022, Kumar et al., 2022, Lago et al., 2023, Raei et al., 2019, Yang et al., 2023a）。然而，这些研究主要聚焦于理想化或高度简化的流域，要么没有约束条件，要么采用过度简化的约束，在传统MOO算法足以满足基本计算需求的场景下开展。这些传统算法在高维场景中表现出有限的解空间探索能力，往往生成次优的Pareto前沿或在复杂约束下无法收敛（Yu et al., 2022）。近年来MOO领域的进展，包括约束处理技术（如CCMO）和基于分解的策略（如MOEA/PSL），在复杂场景中优于NSGA-II等传统方法（Cheng et al., 2024）。这些现代算法采用自适应搜索策略来提高其在复杂约束下识别可行解的能力（Asafuddoula et al., 2012, Ji et al., 2024），有望解决大规模LID部署中固有的高维约束问题。尽管这些进展在一定程度上缓解了LID-SAO问题中的部分性能挑战，但其计算需求随问题维度呈指数级增长：通常需要数万次评估（Penev, 2014），导致在优化过程中反复调用SWMM。此外，随着研究区域内节点、管道和小流域数量的增加，SWMM的计算效率显著下降。因此，这将LID-SAO转变为双重挑战——一个昂贵多目标优化问题（EMOP）和大规模多目标优化问题（LSMOP），传统基于SWMM的框架在计算和空间复杂性面前难以为继。
代理建模框架通过简化计算密集型物理模型（Liu et al., 2019），已成为应对EMOP问题的变革性工具（Liao et al., 2020, Younis and Dong, 2022, Zhao et al., 2021）。作为缓解SWMM计算效率低下问题的有前景的方法，代理建模已被多位研究人员用于解决LID-SAO问题。早期的实现方案，如SWMM-FTC模型（Li et al., 2022）和机器学习代理模型（如基于反向传播（BP）神经网络和广义回归神经网络的方法），在处理LID-SAO问题时实现了数量级的加速（Feng et al., 2023, Yang et al., 2023c）。然而，当前的代理建模方法面临三个相互关联的局限性：(i) 来自小规模验证研究的过度简化约束，这些研究通常采用简化或无约束的边界条件，严重损害了研究成果的实际适用性；(ii) 高维空间中机器学习驱动代理模型的空间填充采样挑战，局部采样策略引发"维度灾难"并降低预测精度（Garud et al., 2017）；以及(iii) 由于无法整合嵌入SWMM中的基于物理的水文先验知识，黑箱机器学习架构导致知识丢弃，从而限制了其预测精度。
本研究开发了一种计算框架，通过克服现有方法的三个关键局限性来解决LID-SAO中大规模、约束密集型的优化挑战：(i) 高维约束空间中采样效率低下，导致代理模型维度坍缩；(ii) 在实际工程约束下MOO算法可扩展性有限；以及(iii) 由于忽视水动力先验知识而导致数据驱动代理模型精度降低。与现有主要侧重于加速模型评估的基于SWMM的代理优化方法不同，所提出的框架系统地集成了高级采样、降维和拓扑感知代理建模技术，以克服传统方法的可扩展性限制。 为填补这些空白，本研究做出了四项主要贡献：(i) 设计了一种线性约束空间填充采样器——尺度拉丁超立方采样（SLHS）方法，以确保可行设计空间的均匀覆盖，同时避免代理模型中的高维坍缩；(ii) 将Louvain图聚类与大规模多目标优化框架（LSMOF）算法（He et al., 2019）相结合，以缓解维度灾难，从而使传统MOO算法能够更好地探索解空间并识别大规模问题的可行解；(iii) 开发了一种基于图神经网络（GNN）的代理模型，显式纳入从城市排水拓扑结构中提取的水文连通性模式，在提高预测精度的同时克服了黑箱机器学习方法的局限性；以及(iv) 通过两个地理差异明显的案例研究，结合详细分析和对比评估，验证了所提出框架的可靠性和泛化能力。最终形成的框架通过水动力先验知识将机理建模与图结构学习无缝整合，产生了一种基于GNN的代理模型——GraphicSWMM，推动了向大规模、计算高效的城市暴雨基础设施规划的范式转变。
