突破传统：几何感知图神经网络实现多源降雨数据精准重建

在城市洪水建模中，精细尺度的降雨重建至关重要。然而，现有的降雨观测系统存在空间支持不兼容的问题：雨量计测量点数据，微波链路测量路径数据，雷达和卫星产品则测量网格化区域数据。传统方法在特征空间中融合这些异质数据源时，往往忽略了其几何支持的差异。

来自arXiv的最新研究提出了一种几何感知多支持异构图神经网络（Geometry-Aware Multi-Support Heterogeneous Graph Neural Network）。该方法创新性地将每种观测类型（0D点、1D线、2D网格）表示为不同的节点层，并通过跨支持消息传递机制将它们融合到点支持预测层中，从而重建整个降雨场。

研究采用了归纳掩码节点公式，将预测分辨率与传感分辨率解耦，使得同一训练模型能够根据用户定义的目标位置或显示网格重建降雨场。在新加坡数据上的实验表明，该方法相比经典插值基线（反距离加权法）将均方根误差降低了23.2%，并持续优于卷积融合和支持无关异构图基线等其他神经架构。

进一步的泛化研究使用澳大利亚悉尼的数据揭示了多支持融合的有效条件：可用技能似乎取决于雨量计间距相对于降雨场空间相关长度的关系。当降雨场相对于其相关长度采样不足时，融合带来的增益最大；而当降雨场已被充分解析时，增益则较小。该研究团队表示，论文一旦被接受，代码和模型将开源发布。