Résumé Technique : L'importance du support spatial : Fusion de graphes sensible à la géométrie pour la reconstruction des champs de précipitations

1. Énoncé du problème

La reconstruction à fine échelle des précipitations est essentielle pour la modélisation des inondations urbaines et la réponse aux catastrophes, mais elle reste complexe en raison de la nature spatialement localisée et de l'évolution rapide des tempêtes convectives. Les systèmes de détection actuels observent le champ de précipitations à travers des supports spatiaux incompatibles :

• Pluviomètres : Mesurent des valeurs ponctuelles (0D).
• Liaisons micro-ondes commerciales (CML) : Mesurent l'atténuation intégrée le long d'une ligne (1D).
• Produits Radar/Satellite : Estiment des moyennes de surface sur des cellules de grille (2D).

Les approches de graphes hétérogènes existantes réconcilient généralement ces sources dans l'espace des caractéristiques, en les traitant comme des types de nœuds ou des canaux de caractéristiques distincts, tout en négligeant les contraintes géométriques de leurs supports de mesure. Les méthodes d'interpolation classiques (ex. : pondération par l'inverse de la distance, krigeage) reposent sur des hypothèses de stationnarité qui sont souvent violées par les précipitations convectives. Le problème central est de savoir comment fusionner ces observations hétérogènes tout en respectant explicitement la nature géométrique (point, ligne ou aire) de chaque contrainte.

2. Méthodologie

Les auteurs proposent un Réseau de Neurones sur Graphes Hétérogènes (HGNN) sensible à la géométrie et aux multi-supports. Le cadre traite le support spatial d'une observation comme un attribut de premier rang, organisant le graphe en couches distinctes basées sur la dimensionnalité.

2.1. Couches de nœuds par type de support

Le graphe $G = (V, E)$ partitionne les nœuds en trois couches de support :

• Couche Ponctuelle (0D) ($V_0$) : Représente les pluviomètres et les emplacements de requête cibles. Les nœuds sont positionnés selon des coordonnées géographiques. Les observations des nœuds cibles sont masquées (mises à zéro) pendant l'entraînement pour éviter une application de l'identité.
• Couche Linéaire (1D) ($V_1$) : Représente les CML. Au lieu de réduire un lien à un point médian, chaque CML est représentée par deux nœuds d'extrémité connectés par un bord intra-support pondéré par la longueur physique du trajet. Les deux extrémités partagent la même valeur de mesure.
• Couche Grillée (2D) ($V_2$) : Représente les cellules radar ou satellite. Chaque cellule est un nœud positionné à son centre. Plusieurs sources grillées (ex. : radar et satellite) peuvent coexister en tant que types de nœuds distincts au sein de cette couche.

2.2. Construction des arêtes

• Arêtes Intra-Support : Connectent les nœuds du même type de support (ex. : $k$-plus proches voisins pour les points, cellules adjacentes pour les grilles, les deux extrémités pour une ligne).
• Arêtes Inter-Supports : Connectent les couches d'observation à une Couche de Prédiction de Support Ponctuel dédiée.
  • Pour les sources 2D, les nœuds de prédiction se connectent aux $k$ cellules de grille les plus proches.
  • Pour les sources 1D, la connectivité respecte la géométrie de la ligne. Un nœud de prédiction se connecte aux extrémités des $k$ segments de ligne les plus proches, où la "distance" est définie comme la distance perpendiculaire du nœud au segment de ligne. Cela préserve la contrainte de la ligne plutôt que de l'approximer par un point.
• Contrôle de la fuite d'information : Les arêtes sont dirigées vers la couche de prédiction. Les nœuds cibles écartés pour l'évaluation ne font jamais partie de la topologie du graphe d'entraînement, garantissant qu'aucune fuite d'information concernant leur emplacement ou leur connectivité ne se produise.

2.3. Passage de messages et prédiction inductive

Le modèle utilise une convolution hétérogène où des matrices de poids distinctes sont apprises pour chaque type d'arête. Les messages provenant de différentes relations de support sont transformés indépendamment avant agrégation.

• Formulation de Nœud Masqué Inductif : Pendant l'entraînement, un schéma de masquage "leave-one-out" est appliqué. La valeur d'un seul nœud ponctuel est masquée, et le modèle la prédit en utilisant uniquement ses voisins. Cela découple la résolution de prédiction de la résolution de détection.
• Reconstruction de Champ : À l'inférence, des nœuds cibles virtuels peuvent être insérés à n'importe quel emplacement ou résolution de grille défini par l'utilisateur. Ces nœuds se connectent au graphe existant via des arêtes inter-supports, permettant au même modèle entraîné de reconstruire le champ à des résolutions arbitraires sans réentraînement.

3. Contributions Clés

1. Système de Reconstruction Multi-Support : Un système pratique fusionnant des données 0D (pluviomètres), 1D (CML) et 2D (radar/satellite) dans un seul graphe sensible à la géométrie.
2. Construction de Graphe Sensible au Support : Représentation explicite des observations 0D, 1D et 2D comme des couches distinctes avec un passage de messages inter-supports qui respecte la géométrie de mesure sous-jacente (ex. : utilisation de la distance perpendiculaire pour les lignes).
3. Protocole de Nœud Masqué Inductif : Une stratégie d'entraînement qui empêche la fuite de la valeur des pluviomètres et permet la reconstruction du champ à des emplacements cibles non observés et définis par l'utilisateur.
4. Analyse de Généralisation : Une évaluation à travers deux bancs d'essai (Singapour et Sydney) caractérisant quand la fusion multi-support apporte une valeur, liant les gains de performance au ratio entre l'espacement des pluviomètres et la longueur de corrélation spatiale du champ de précipitations.

4. Résultats Expérimentaux

4.1. Banc d'essai de Singapour (0D + 1D + 2D)

• Configuration : 70 pluviomètres, 414 CML et données radar à 1 km. Évalué via une validation croisée spatiale à 5 plis.
• Performance : L'HGNN proposé, sensible à la géométrie, a réduit l'RMSE de 23,2 % par rapport à la ligne de base IDW classique (1,866 contre 2,429 mm/h).
• Comparaisons :
  • A surpassé la Fusion Convolutionnelle (CNN/CNN-LSTM) : Même avec une modélisation temporelle, les CNN traitant les entrées comme des canaux d'image n'ont atteint qu'une amélioration de 7,2 % par rapport à l'IDW, échouant à égaler l'approche par graphe.
  • A surpassé l'HGNN Agnostique au Support : Une ligne de base utilisant la même architecture mais traitant toutes les observations comme des points 0D génériques a obtenu une amélioration de 12,3 %. Cela indique qu'environ la moitié du gain provient spécifiquement de la construction sensible au support (géométrie) plutôt que de la structure du graphe seule.
  • Amélioration Monotone : L'ajout des supports 1D (CML) puis 2D (Radar) a systématiquement abaissé l'RMSE, démontrant la valeur complémentaire des différentes contraintes géométriques.

4.2. Banc d'essai de Sydney (0D + 2D + 2D)

• Configuration : 75 pluviomètres, radar et satellite (sans CML).
• Performance : Le modèle n'a pas apporté d'amélioration par rapport à l'IDW ; en fait, l'RMSE a légèrement augmenté (0,698 contre 0,667 mm/h) et la corrélation a diminué.
• Analyse : Les auteurs attribuent cela à la longueur de corrélation spatiale du champ de précipitations.
  • Sydney : Les précipitations sont hautement cohérentes sur l'espacement des pluviomètres (~3 km). Le champ est déjà bien résolu par le réseau dense de pluviomètres, laissant peu de structure résiduelle que la fusion puisse récupérer.
  • Singapour : Les précipitations convectives se décorrélerent rapidement. Le réseau de pluviomètres est parc par rapport à la longueur de corrélation, laissant une structure significative sous l'échelle des pluviomètres que la fusion sensible à la géométrie peut récupérer.
• Conclusion sur l'Utilité : La fusion multi-support délivre les gains les plus importants lorsque le champ est sous-échantillonné par rapport à sa longueur de corrélation. Lorsque le champ est déjà résolu par les observations ponctuelles, l'ajout de données grillées peut introduire un biais sans ajouter d'information structurelle utile.

5. Signification et Revendications

L'article affirme que le support spatial compte. En modélisant explicitement les contraintes géométriques des mesures (point, ligne, aire) au sein de la topologie du graphe, la méthode proposée extrait nettement plus d'informations des données hétérogènes que les méthodes qui traitent ces différences simplement comme des variations de caractéristiques.

La signification réside dans deux domaines :

1. Méthodologique : Démontrer que la préservation de la géométrie de mesure dans la topologie du graphe est critique pour fusionner des capteurs hétérogènes, surpassant à la fois l'interpolation classique et les approches standards de fusion par apprentissage profond.
2. Pratique/Généralisation : Fournir une limite claire de quand une telle fusion est bénéfique. Les auteurs soutiennent que la valeur de la fusion multi-support n'est pas universelle mais dépend de la relation entre la densité des capteurs et la corrélation spatiale du champ cible. L'approche est plus efficace dans les régimes sous-échantillonnés (comme les tempêtes convectives à Singapour) et offre des gains limités dans les régimes bien résolus (comme à Sydney).

Le travail est présenté comme une étape vers une fusion de données plus physiquement cohérente, le cadre étant assez modulaire pour accommoder différents types de capteurs et résolutions de sortie sans réentraînement.