空间支持融合：几何感知图神经网络重构雨场

背景

细尺度降雨场重建对于城市洪水建模至关重要，但现实中的降雨观测系统存在根本性的空间支持不兼容问题：雨量计测量点状数据，微波链路测量路径数据，而雷达和卫星产品测量网格化数据。这些不同的观测空间支持对降雨场施加了几何上截然不同的约束条件，但现有的异质图方法在特征空间中对这些来源进行融合处理，为每个来源分配独立的嵌入表示，同时丢弃了其空间支持的几何结构。我们的研究旨在通过引入一种几何感知的多空间支持异质图神经网络来解决这一挑战，该网络将每个观测根据其空间支持类型（0D点、1D线或2D网格）表示为独立的节点层，并通过跨空间支持的消息传递进行融合，最终得到一个点支持预测层，从中可以重建完整的降雨场。实验采用新加坡的数据集进行验证，表明该方法在经典插值基准方法和支持无关的异质图神经网络上均取得了显著提升。

核心内容

细尺度降雨重建对于城市洪水建模具有关键意义，但在实际观测系统中，各种传感器提供的观测具有不兼容的空间支持形式。具体而言，雨量计（gauges）直接测量点状值，微波链路（microwave links）测量沿路径的积分值，而雷达和卫星产品（radar/satellite products）则以网格化形式提供覆盖区域的平均值。这些观测形式在几何约束上存在显著差异，却未被现有方法充分考虑。

现有的异质图神经网络（heterogeneous graph approaches）通过在特征空间中融合来自不同观测源的表示，为每种观测单独学习嵌入。尽管这种方法能够整合多源数据，但它实质上忽略了每种观测类型对应的空间支持的内在几何属性，从而无法充分捕捉支持之间的几何约束关系。

我们提出的几何感知多空间支持异质图神经网络（geometry-aware multi-support heterogeneous graph neural network）通过将观测严格按照其空间支持类型进行结构化表示：将0D点观测作为独立的点节点层、1D线观测作为线节点层、2D网格观测作为网格节点层，并通过设计专门的跨支持消息传递机制进行信息融合，最终融合后的表示被映射到一个统一的点支持预测层。在这一点支持预测层上，可以从任意用户指定的目标位置（如用户定义的预测点或显示网格）进行降雨场的重建。

为进一步实现这一能力，我们采用了一种归纳式的掩蔽节点（inductive masked-node）形式化方案。该方案的核心在于明确将预测分辨率与传感分辨率解耦：模型的训练和学习过程仅依赖于传感器提供的观测支持，而在推理阶段，用户可灵活指定任意目标分辨率和位置，从而使同一训练好的模型能够适用于不同尺度的降雨场重建任务，无需重新训练。

在新加坡数据集上的实验表明，该方法相对于经典插值基准方法——即反距离加权（inverse-distance weighting）——在均方根误差（RMSE）上实现了23.2%的降低。同时，该方法在支持无关的异质图神经网络和卷积融合等其他神经架构上也表现出了一致的性能优势。

此外，我们还通过对悉尼（Sydney），澳大利亚数据集的泛化研究，系统地分析了多空间支持融合在何种条件下能够带来增益。研究结果显示，融合带来的技能提升依赖于雨量计间距与降雨场空间相关长度之间的关系：当场强度相对于相关长度被欠采样时，融合能够产生最大的效果；而当场已被充分分辨时，融合带来的改进则有限。

代码和模型将在论文被接受后公开开源。

关键要点

• 现有异质图方法在特征空间融合多源观测，但忽略了每种观测类型对应的空间支持几何约束
• 提出的几何感知多空间支持异质图神经网络将每种观测严格按空间支持类型（0D点、1D线、2D网格）组织为独立节点层，并通过跨支持消息传递实现融合
• 最终融合结果映射到点支持预测层，实现从任意用户定义位置的重建
• 归纳式掩蔽节点形式化方案明确解耦了预测分辨率与传感分辨率
• 在新加坡数据上，RMSE比反距离加权基准降低23.2%，优于支持无关异质图和卷积融合等其他神经架构
• 泛化研究表明，多支持融合的增益取决于雨量计间距与场空间相关长度关系：欠采样区域效果最显著，已充分分辨区域效果有限
• 代码和模型将于论文接受后开放

意义与影响

该研究提出了一种专门针对降雨场重建的几何感知融合架构，有效解决了多空间支持观测数据在真实世界应用中的核心挑战。相比现有方法，其在欠采样和几何约束敏感场景下的表现显著提升，有助于更准确的城市洪水建模和降雨风险评估。实验验证了其在新加坡数据上的实际效果，并通过悉尼数据的泛化分析，阐明了融合机制在不同分辨率条件下的适用范围，这为后续降雨重建模型的设计和部署提供了可量化的指导依据。论文将为相关领域的研究和应用提供新的技术路径，并可能推动多源观测数据在气象建模中的更广泛整合。代码和模型的公开将进一步加速该技术在实际系统中的落地与验证。