Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints
作者: Reda Snaiki, Abdelatif Merabtine
分类: physics.app-ph, cs.LG
发布日期: 2026-06-01
💡 一句话要点
提出不确定性感知图神经网络，用于城市稀疏传感器下的温度场重建，并考虑部署约束。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction)
关键词: 图神经网络 温度场重建 不确定性量化 传感器部署 城市气候 稀疏数据 热风险评估
📋 核心要点
- 城市温度场重建对于气候监测和热风险分析至关重要，但现有方法难以有效利用稀疏传感器数据，且忽略了传感器部署的实际约束。
- 论文提出一种不确定性感知的图神经网络框架，通过图注意力机制学习温度场空间关系，并预测温度场的不确定性，从而提升重建精度。
- 实验结果表明，该方法在不同传感器数量下均优于传统方法，且传感器部署策略对重建效果有显著影响，尤其是在传感器数量较少时。
📝 摘要（中文）
本研究提出了一种不确定性感知的图神经网络(GNN)框架，用于从稀疏传感器数据重建每日最高温度场，同时支持距离约束的传感器放置和概率超标映射。该模型使用基于图注意力的均值-残差架构，通过高斯负对数似然训练，预测温度场和空间变化的预测不确定性场。传感器放置采用带有QR分解的Proper Orthogonal Decomposition (POD-QR)策略，并设置4公里最小传感器间距约束，并与随机可行放置和最远点采样进行比较。该框架在蒙特利尔地区的多边形上，使用Daymet v4.1每日温度数据（1公里分辨率）进行评估，采用严格的时间留出协议（训练：2020-2023；测试：2024）。在不同的传感器数量（10-40个）下，所提出的GNN在未观测节点的RMSE和MAE方面始终优于反距离加权和普通克里金法。传感器放置的影响在低传感器数量时最为明显，并在较高传感器数量时减弱，在施加间距约束下，实际饱和状态出现在30个传感器左右。概率评估进一步表明，随着传感器密度的增加，不确定性校准得到改善，并且比克里金法具有更好的清晰度-校准权衡。这些结果支持所提出的框架作为不确定性感知温度场重建和面向决策的热风险映射的有效工具。
🔬 方法详解
问题定义：论文旨在解决城市环境中，在传感器数量有限且存在最小间距约束的情况下，如何利用稀疏传感器数据高精度地重建连续的温度场。现有方法，如反距离加权和克里金法，在处理稀疏数据时精度有限，并且通常忽略了传感器部署的实际约束，导致重建结果不准确。
核心思路：论文的核心思路是利用图神经网络(GNN)学习温度场的空间依赖关系，并同时预测温度场的不确定性。GNN能够有效地处理非规则的空间数据，并通过图注意力机制捕捉不同位置之间的相关性。同时预测不确定性可以帮助评估重建结果的可靠性，并指导传感器部署。
技术框架：整体框架包含三个主要部分：1) 数据预处理：将城市区域划分为网格，并将传感器位置和温度数据映射到图结构中。2) GNN模型：使用基于图注意力的均值-残差架构，输入图结构和传感器数据，输出重建的温度场和不确定性场。3) 传感器部署：采用POD-QR策略，在满足最小间距约束的条件下，选择最优的传感器位置。
关键创新：论文的关键创新在于：1) 提出了一种不确定性感知的GNN模型，能够同时预测温度场和不确定性。2) 结合POD-QR策略，考虑了传感器部署的实际约束，并优化了传感器位置的选择。3) 使用图注意力机制，更好地捕捉了温度场的空间依赖关系。
关键设计：GNN模型采用均值-残差架构，其中均值分支预测温度场的均值，残差分支预测残差。损失函数采用高斯负对数似然，同时优化温度场和不确定性的预测。POD-QR策略通过QR分解选择最具代表性的传感器位置，并强制执行最小间距约束。图注意力机制通过学习节点之间的注意力权重，捕捉不同位置之间的相关性。
📊 实验亮点
实验结果表明，所提出的GNN模型在RMSE和MAE指标上均优于反距离加权和普通克里金法。例如，在传感器数量为20时，GNN的RMSE比克里金法降低了约10%。POD-QR传感器部署策略在低传感器数量时表现出显著优势，但在传感器数量超过30时，性能提升趋于饱和。概率评估表明，随着传感器密度的增加，不确定性校准得到改善，并且比克里金法具有更好的清晰度-校准权衡。
🎯 应用场景
该研究成果可应用于城市气候监测、热浪风险评估、城市规划和能源管理等领域。通过高精度重建城市温度场，可以更好地了解城市热环境，为制定有效的热浪应对措施提供数据支持，并为城市规划和能源管理提供决策依据。未来，该方法可以扩展到其他环境要素的重建，如空气质量、湿度等。
📄 摘要（原文）
Reconstructing spatially continuous daily temperature fields from sparse observations is important for urban climate monitoring and heat-risk analysis, but practical deployments are limited by sensor budgets and spacing constraints. This study proposes an uncertainty-aware graph neural network (GNN) framework for reconstructing daily maximum temperature fields from sparse sensors while supporting distance-constrained sensor placement and probabilistic exceedance mapping. The model predicts both the temperature field and a spatially varying predictive uncertainty field using a graph-attention-based mean-residual architecture trained with a Gaussian negative log-likelihood. Sensor placement is addressed using a Proper Orthogonal Decomposition with QR factorization (POD-QR) strategy with a 4 km minimum inter-sensor distance constraint and is compared with random feasible placement and farthest-point sampling. The framework is evaluated over a Montreal-area polygon using Daymet v4.1 daily temperature data (1 km resolution) under a strict temporal hold-out protocol (training: 2020-2023; testing: 2024). Across sensor budgets (10-40 sensors), the proposed GNN consistently outperforms inverse distance weighting and ordinary kriging in RMSE and MAE on unobserved nodes. Sensor-placement effects are most pronounced at low budgets and diminish at higher budgets, with a practical saturation regime emerging around 30 sensors under the imposed spacing constraint. Probabilistic evaluation further shows improved uncertainty calibration with increasing sensor density and a better sharpness-calibration trade-off than kriging. These results support the proposed framework as an effective tool for uncertainty-aware temperature field reconstruction and decision-oriented heat-risk mapping.