Resumen Técnico: La importancia del soporte espacial: Fusión de grafos consciente de la geometría para la reconstrucción de campos de precipitación

1. Planteamiento del problema

La reconstrucción de la precipitación a escala fina es esencial para el modelado de inundaciones urbanas y la respuesta ante desastres, pero sigue siendo un desafío debido a la naturaleza espacialmente localizada y rápidamente evolutiva de las tormentas convectivas. Los sistemas de detección actuales observan el campo de precipitación a través de soportes espaciales incompatibles:

• Pluviómetros: Miden valores puntuales (0D).
• Enlaces de Microondas Comerciales (CML): Miden la atenuación integrada a lo largo de una línea (1D).
• Productos de Radar/Satélite: Estiman promedios areales sobre celdas de rejilla (2D).

Los enfoques actuales de grafos heterogéneos suelen reconciliar estas fuentes en el espacio de características, tratándolas como tipos de nodos o canales de características distintos, mientras descartan las restricciones geométricas de sus soportes de medición. Los métodos de interpolación clásicos (p. ej., ponderación por distancia inversa, Kriging) dependen de supuestos de estacionariedad que a menudo se ven violados por la precipitación convectiva. El problema central es cómo fusionar estas observaciones heterogéneas respetando explícitamente la naturaleza geométrica (punto, línea o área) de cada restricción.

2. Metodología

Los autores proponen una Red Neuronal de Grafos Heterogénea (HGNN) consciente de la geometría y de múltiples soportes. El marco trata el soporte espacial de una observación como un atributo de primera clase, organizando el grafo en distintas capas basadas en su dimensionalidad.

2.1. Capas de nodos por tipo de soporte

El grafo $G = (V, E)$ particiona los nodos en tres capas de soporte:

• Capa de Punto (0D) ($V_0$): Representa los pluviómetros y las ubicaciones de consulta objetivo. Los nodos se posicionan en coordenadas geográficas. Los valores de los nodos objetivo se enmascaran (se establecen en cero) durante el entrenamiento para evitar el mapeo de identidad.
• Capa de Línea (1D) ($V_1$): Representa los CML. En lugar de colapsar un enlace a un punto medio, cada CML se representa mediante dos nodos de extremos conectados por un borde dentro del mismo soporte, ponderado por la longitud física del trayecto. Ambos extremos comparten el mismo valor de medición.
• Capa de Rejilla (2D) ($V_2$): Representa las celdas de radar o satélite. Cada celda es un nodo posicionado en su centro. Múltiples fuentes de rejilla (p. ej., radar y satélite) pueden coexistir como tipos de nodos distintos dentro de esta capa.

2.2. Construcción de bordes

• Bordes dentro del mismo soporte: Conectan nodos del mismo tipo de soporte (p. ej., $k$-vecinos más cercanos para puntos, celdas adyacentes para rejillas, los dos extremos para una línea).
• Bordes entre soportes: Conectan las capas de observación con una Capa de Predicción de Soporte de Punto dedicada.
  • Para las fuentes 2D, los nodos de predicción se conectan a sus $k$ celdas de rejilla más cercanas.
  • Para las fuentes 1D, la conectividad respeta la geometría de la línea. Un nodo de predicción se conecta a los extremos de los $k$ segmentos de línea más cercanos, donde la "distancia" se define como la distancia perpendicular desde el nodo al segmento de línea. Esto preserva la restricción de la línea en lugar de aproximarla como un punto.
• Control de fuga (Leakage Control): Los bordes se dirigen hacia la capa de predicción. Los nodos objetivo retenidos para la evaluación nunca forman parte de la topología del grafo de entrenamiento, asegurando que no haya fuga de información respecto a su ubicación o conectividad.

2.3. Paso de mensajes e inducción de predicción

El modelo utiliza convolución heterogénea donde se aprenden matrices de peso separadas para cada tipo de borde. Los mensajes de diferentes relaciones de soporte se transforman de forma independiente antes de la agregación.

• Formulación de Nodo Enmascarado Inductivo: Durante el entrenamiento, se aplica un esquema de enmascaramiento de "dejar uno fuera" (leave-one-out). Se enmascara el valor de un único nodo de punto y el modelo lo predice utilizando solo sus vecinos. Esto desacopla la resolución de la predicción de la resolución de la detección.
• Reconstrucción de Campo: Durante la inferencia, se pueden insertar nodos objetivo virtuales en cualquier ubicación o resolución de rejilla definida por el usuario. Estos nodos se conectan al grafo existente mediante bordes entre soportes, lo que permite al mismo modelo entrenado reconstruir el campo en resoluciones arbitrarias sin necesidad de reentrenamiento.

3. Contribuciones clave

1. Sistema de reconstrucción de múltiples soportes: Un sistema práctico que fusiona datos 0D (pluviómetros), 1D (CML) y 2D (radar/satélite) en un único grafo consciente de la geometría.
2. Construcción de grafos consciente del soporte: Representación explícita de las observaciones 0D, 1D y 2D como capas distintas con paso de mensajes entre soportes que respeta la geometría de la medición subyacente (p. ej., usando la distancia perpendicular para las líneas).
3. Protocolo de Nodo Enmascarado Inductivo: Una estrategia de entrenamiento que evita la fuga de valores de los pluviómetros y permite la reconstrucción del campo en ubicaciones de destino no observadas y definidas por el usuario.
4. Análisis de Generalización: Una evaluación a través de dos bancos de prueba (Singapur y Sídney) que caracteriza cuándo la fusión de múltiples soportes aporta valor, vinculando las mejoras de rendimiento con la relación entre el espaciamiento de los pluviómetros y la longitud de correlación espacial del campo de precipitación.

4. Resultados experimentales

4.1. Banco de pruebas de Singapur (0D + 1D + 2D)

• Configuración: 70 pluviómetros, 414 CML y datos de radar de 1 km. Evaluado mediante validación cruzada espacial de 5 pliegues.
• Rendimiento: El HGNN propuesto, consciente de la geometría, redujo el RMSE en un 23.2% en comparación con la línea base clásica de IDW (1.866 frente a 2.429 mm/h).
• Comparaciones:
  • Superó a la Fusión Convolucional (CNN/CNN-LSTM): Incluso con modelado temporal, las CNN que tratan las entradas como canales de imagen lograron solo una mejora del 7.2% respecto a IDW, no logrando igualar el enfoque basado en grafos.
  • Superó al HGNN Agnóstico al Soporte: Un modelo de base que utiliza la misma arquitectura pero trata todas las observaciones como puntos genéricos 0D logró una mejora del 12.3%. Esto indica que aproximadamente la mitad de la ganancia proviene específicamente de la construcción consciente del soporte (geometría) y no solo de la estructura del grafo.
  • Mejora Monotónica: La adición de soportes 1D (CML) y luego 2D (Radar) redujo consistentemente el RMSE, demostrando el valor complementario de las diferentes restricciones geométricas.

4.2. Banco de pruebas de Sídney (0D + 2D + 2D)

• Configuración: 75 pluviómetros, radar y datos de satélite (sin CML).
• Rendimiento: El modelo no mejoró respecto a IDW; de hecho, el RMSE aumentó ligeramente (0.698 frente a 0.667 mm/h) y la correlación disminuyó.
• Análisis: Los autores atribuyen esto a la longitud de correlación espacial del campo de precipitación.
  • Sídney: La precipitación es altamente coherente en el espaciamiento de los pluviómetros (~3 km). El campo ya está bien resuelto por la densa red de pluviómetros, dejando poca estructura residual para que la fusión la recupere.
  • Singapur: La precipitación convectiva se descorrelaciona rápidamente. La red de pluviómetros es dispersa en relación con la longitud de correlación, dejando una estructura significativa por debajo del nivel de los pluviosímetros que la fusión consciente de la geometría puede recuperar.
• Conclusión sobre la utilidad: La fusión de múltiples soportes ofrece las mayores ganancias cuando el campo está submuestreado en relación con su longitud de correlación. Cuando el campo ya está resuelto por observaciones puntuales, añadir datos de rejilla puede introducir sesgos sin añadir información estructural útil.

5. Significado y Reivindicaciones

El artículo sostiene que el soporte espacial importa. Al modelar explícitamente las restricciones geométricas de las mediciones (punto, línea, área) dentro de la estructura del grafo, el método propuesto extrae significativamente más información de datos heterogéneos que los métodos que tratan estas diferencias meramente como variaciones de características.

La significancia reside en dos áreas:

1. Metodológica: Demostrar que preservar la geometría de la medición en la topología del grafo es crítico para fusionar sensores heterogéneos, superando tanto a la interpolación clásica como a los enfoques estándar de fusión de aprendizaje profundo.
2. Práctica/Generalización: Proporcionar un límite claro de cuándo es beneficiosa tal fusión. Los autores argumentan que el valor de la fusión de múltiples soportes no es universal, sino que depende de la relación entre la densidad de los sensores y la correlación espacial del campo de precipitación objetivo. El enfoque es más efectivo en regímenes submuestreados (como las tormentas convectivas en Singapur) y ofrece ganancias limitadas en regímenes bien resueltos (como Sídney).

El trabajo se presenta como un paso hacia una fusión de datos físicamente más consistente, con un marco lo suficientemente modular como para acomodar diferentes configuraciones de sensores y resoluciones de salida sin necesidad de reentrenamiento.