論文の概要: Spatial Support Matters: Geometry-Aware Graph Fusion for Rainfall Field Reconstruction

• arxiv url: http://arxiv.org/abs/2607.01621v1
• Date: Thu, 02 Jul 2026 02:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.641619
• Title: Spatial Support Matters: Geometry-Aware Graph Fusion for Rainfall Field Reconstruction
• Title（参考訳）: 空間的支援事項:降雨分野再構築のための幾何学的グラフフュージョン
• Abstract要約: 都市の洪水モデリングには, 大規模な降雨再建が不可欠である。 実際の降雨検知システムは、非互換な空間的支援を通してフィールドを観測する。 幾何対応多元多元グラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.018658735819811274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-scale rainfall reconstruction is critical for urban flood modeling, but real rainfall sensing systems observe the field through incompatible spatial supports: gauges measure points, microwave links measure paths, and radar/satellite products measure gridded areas. These differences in measurement support impose geometrically distinct constraints on the rainfall field, yet existing heterogeneous graph approaches reconcile such sources in feature space, giving each its own embedding while discarding the geometry of its support. We propose a geometry-aware multi-support heterogeneous graph neural network that represents each observation according to its support type (0D point, 1D line, or 2D grid) as a distinct node layer, and fuses them through cross-support message passing into a point-support prediction layer from which the field is reconstructed. An inductive masked-node formulation decouples prediction resolution from sensing resolution, allowing the same trained model to reconstruct the field at user-defined target locations or display grids. On Singapore data, the proposed method reduces RMSE by 23.2\% over the classical interpolation baseline, inverse-distance weighting, and consistently outperforms other neural architectures such as convolutional fusion and support-agnostic heterogeneous graph baselines. A generalization study using data from Sydney, Australia lets us characterize when multi-support fusion helps: the available skill appears to depend on gauge spacing relative to the spatial correlation length of the field, so fusion delivers the largest gains where the field is under-sampled relative to its correlation length and little when it is already resolved. Code and models will be open-sourced upon paper acceptance.
• Abstract（参考訳）: 都会の洪水モデルでは, 大規模な降雨の再現が重要であるが, 実際の降雨検知システムは, 不整合な空間的支援によって, ゲージ測点, マイクロ波リンク測路, レーダー/衛星製品測点といったフィールドを観測する。 これらの測定支援の違いは、降雨場に幾何的に異なる制約を課すが、既存の異種グラフアプローチは特徴空間でそのようなソースを整合させ、そのサポートの幾何学を放棄しながらそれぞれ独自の埋め込みを与える。 本稿では,そのサポートタイプ(0Dポイント,1Dライン,あるいは2Dグリッド)に応じて各観測を異なるノード層として表現し,フィールドが再構成されるポイントサポート予測層に渡されるクロスサポートメッセージを介してそれらを融合する幾何対応多元グラフニューラルネットワークを提案する。 誘導マスクノードの定式化は、センサの解像度から予測の解像度を分離し、同じ訓練されたモデルが、ユーザ定義のターゲット位置や表示グリッドのフィールドを再構築することを可能にする。 シンガポールのデータでは、RMSEを古典的補間ベースライン、逆距離重み付けで23.2\%削減し、畳み込み融合やサポート非依存のヘテロジニアスグラフベースラインなどの他のニューラルネットワークアーキテクチャを一貫して上回っている。 利用可能なスキルは、フィールドの空間的相関長に対してゲージ間隔に依存するように見えるため、融合は、フィールドが相関長に対してアンダーサンプリングされており、既に解決されているときはほとんどない最大のゲインを提供する。 コードとモデルは、論文の受理によってオープンソース化される。

関連論文リスト

• Tropical Algebraic Geometry for Neuronal Representations: An Arakelov-Green Measure Based Descriptor for Graph Learning [14.563432689352084]
  本稿では,熱帯代数幾何学に基づくトレーニング不要な幾何学的事前手法を提案する。 空間木を熱帯ヤコビアンへの埋め込みに適した巡回計量グラフに変換する。 離散的なアラケロフ・グリーン測度は、グラフラプラシアンの一般化された逆数を通して閉じた形で計算され、この被覆上の不定分極距離を除いた固有経路計量に正確に分解されることを示す。
  論文  参考訳（メタデータ） (2026-08-05T05:34:50Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation [7.270459013324939]
  広く使われている2つのファミリーは、ラプラシアンまたは拡散演算子に由来するスペクトル符号化と、最短パス情報から構築されたアンカーベース距離符号化である。 我々は, 乱れた拡散座標を変換されたアンカー距離とアンカースペクトル位置から再構成する明示的な3次写像を導出した。 共有GNPベースのDDI予測バックボーンを用いたDarmBank分子グラフでは、距離駆動Nystrmスキームが拡散幾何学を密接に回復する。
  論文  参考訳（メタデータ） (2026-01-08T02:31:03Z)
• Multivariate Time Series Forecasting with Hybrid Euclidean-SPD Manifold Graph Neural Networks [31.893767537160258]
  本稿では,ハイブリダイアン・リーマンのフレームワーク内でデータジオメトリをキャプチャするグラフニューラルネットワークモデルを提案する。 HSMGNNは、最先端のベースラインよりも13.8%向上している。
  論文  参考訳（メタデータ） (2025-12-16T02:42:03Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• A Topological Distance Measure between Multi-Fields for Classification and Analysis of Shapes and Data [0.0]
  多次元リーブグラフ(MDRG)の計算による2つのマルチフィールド間の距離測定の改善を提案する。 次に、MDRGの各リーブグラフに対応する永続図を演算することにより、永続図の階層構造を構築する。 提案手法は擬似測度および安定性特性を満たすことを示す。
  論文  参考訳（メタデータ） (2023-03-06T05:38:13Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。