基于图神经网络与多模态数据融合的城市雨洪径流预测模型构建及优化研究

随着全球气候变化加剧与城市化进程不断推进，城市不透水面积大幅增加，导致城市下垫面水文特性发生显著改变，城市雨洪灾害频发且破坏力日益增强。在这一背景下，实现对城市雨洪径流的高精度预测已成为城市防洪减灾体系建设的核心需求。传统的径流预测方法往往依赖于集总式或物理机制模型，难以充分捕捉复杂城市环境下的非线性动态变化特征。近年来，人工智能技术的快速发展为水文预测提供了新思路，其中图神经网络凭借其强大的拓扑结构建模能力，在处理具有空间相关性的城市管网数据方面展现出独特优势，而多模态数据融合技术则能够有效整合气象、水文、地理空间等多源异质信息，提升模型的泛化能力与预测精度。

尽管国内外学者在应用深度学习技术解决城市水文问题上已取得一定进展，但现有研究仍面临诸多挑战。一方面，在利用图神经网络进行建模时，往往忽视了对城市排水管网深层拓扑特征的挖掘，难以精准表征节点间的复杂水流传递机制；另一方面，多源异质数据的融合深度不足，缺乏对数据间时空关联性的有效提取，导致模型在极端天气条件下的鲁棒性较差。针对上述问题，本文旨在构建一种基于图神经网络与多模态数据融合的城市雨洪径流预测模型。研究将重点解析城市雨洪系统的时空演化规律，优化网络结构设计以提升特征提取效率，并通过实证分析验证模型的性能表现，从而为城市防洪排涝调度提供科学依据与技术支撑。

城市雨洪径流多模态特征数据的采集与预处理是构建高精度预测模型的基石，其本质在于将物理世界中异构、分散的原始信息转化为计算机可识别、模型可学习的标准化张量。这一过程不仅决定了模型输入数据的质量，更直接影响最终预测结果的准确性与鲁棒性。在实际应用中，多模态数据主要涵盖气象水文、地理环境及基础设施等多个维度，各模态数据的采集需严格遵循行业标准与规范。

降雨数据作为驱动径流产生的核心动力，主要来源于气象自动观测站网及天气雷达回波反演系统，采集过程需严格控制时间分辨率，通常采用小时级甚至分钟级数据以捕捉暴雨峰值特征。下垫面地形属性数据则通过高分辨率遥感影像及数字高程模型获取，重点提取地表粗糙度、土壤类型及土地利用覆盖度等关键参数，其空间分辨率需满足城市微地形分析的需求。管网拓扑结构数据依赖于城市排水地理信息系统，通过数字化测绘获取管网节点的空间坐标、管径尺寸、流向及埋深等信息，构建完整的连通性图结构。历史径流监测数据则主要来自布设在关键河道或排水口的流量计与水位计，用于提供模型训练的真实标签。针对上述不同来源的数据，必须实施严格的预处理流程以解决数据质量问题。对于因设备故障或传输中断导致的缺失值与异常值，需依据时间序列的连续性特征，采用线性插值或基于邻近站点相关性的方法进行修正与填补。鉴于不同模态数据在量纲与数量级上存在显著差异，如降雨量的毫米单位与管道管径的毫米单位虽同名但物理意义迥异，必须采用最小-最大归一化或Z-score标准化方法进行统一量纲处理。针对空间分辨率不匹配的问题，需利用空间插值技术将栅格数据映射到管网节点，或通过图卷积操作聚合邻域特征，实现空间尺度的对齐。通过上述标准化处理，最终提取出能够全面表征城市雨洪系统状态的多模态特征向量，完成格式化输出，为图神经网络的训练与优化奠定坚实基础。

城市水文系统本质上是一个由管网、河道及汇水区构成的复杂拓扑网络，其内部各要素之间存在着紧密的物理连接与水力联系。为了准确捕捉这种空间上的依赖关系，必须深入分析系统的拓扑关联特征。传统的预测模型往往将各监测点视为独立个体，忽略了上下游节点间的动态交互，导致在应对突发性暴雨洪水时缺乏系统性判断。图神经网络凭借对非欧几里得结构数据的强大特征提取能力，能够有效契合城市水文系统的这一特性，为构建高精度的径流预测模型提供了技术基础。

在搭建预测框架的过程中，首要任务是进行图结构的定义。将城市水文系统中的关键节点，如雨量站、流量监测断面以及管网交汇点，抽象为图中的节点；将连接这些节点的管网河道或地表汇流路径抽象为边。边权重的计算规则需依据实际水文物理机制确定，通常可以采用节点间的空间距离、管道坡度以及水力传导系数作为权重指标，以此量化不同节点之间水流传输的阻力与能力。这种基于物理意义的图构建方式，确保了模型能够真实反映水流在城市地表与地下的运动规律。

在此基础上设计的图神经网络预测框架，主要由输入层、图卷积特征提取层以及输出层三个核心部分构成。输入层负责接收多模态数据，包括降雨时序数据、历史水位流量数据以及节点属性特征，并将其转换为模型可处理的张量格式。图卷积特征提取层是框架的核心，其通过堆叠多层图卷积运算，利用邻居节点的信息聚合机制，逐层提取深层次的空间-时间联合特征。在设置该层的结构参数时，需根据网络的复杂程度调整卷积核数量与隐藏层维度，以平衡模型的拟合能力与计算效率。输出层则负责将提取到的高维特征映射为具体的径流预测值，通常采用全连接层结构实现降维与回归。这一框架的搭建，不仅实现了对城市水文系统拓扑结构信息的深度融合，更为精准预测雨洪径流演变趋势提供了标准化的操作路径。

针对城市雨洪径流不同模态特征的异质性特点，本研究设计并实现了一套层级化的多模态数据融合机制。该机制的核心在于有效整合多源异构数据，具体涵盖原始多模态特征提取、拓扑特征融合以及高层预测特征聚合三个关键阶段。在操作过程中，首先分别处理气象、水文及管网等不同模态的数据，提取各自的局部特征。随后，利用图神经网络的邻接矩阵结构，将各节点的特征与管网拓扑结构进行对齐与融合，以此捕获空间上的相关性。在高层网络中进行特征聚合，确保模型能够综合理解多维度信息。这一全流程融合机制能够显著提升输入数据的完整性与丰富度，为高精度的径流预测奠定坚实基础。

在模型训练的目标函数设计方面，考虑到城市雨洪径流预测本质上属于回归任务，且在实际应用中对极端暴雨情景下的径流峰值预测准确度要求极高，传统的均方误差损失函数往往侧重于整体误差的降低，容易忽视少数关键峰值样本的预测偏差。为此，本研究在基础均方误差损失函数的基础上，引入了针对极端径流峰值的惩罚项，完成了模型损失函数的优化设计。该优化策略旨在对预测值与真实值差异较大的极端样本施加更大的权重，从而迫使模型更加关注难以预测的峰值区域。具体的损失函数表达式如下：