面向抗稀疏降尺度的多尺度图学习

即使在同一个子流域内，短距离内的水温也可能存在显著差异。在精细空间分辨率（即精细尺度，$\leq$ 1 公里）下准确预测河流水温，能为维护水质和保护水生栖息地提供精确干预。尽管时空模型在空间粗粒度时间序列建模方面取得了实质性进展，但由于缺乏该尺度的数据，在精细空间尺度上进行预测仍然面临挑战。为了解决精细尺度数据不足的问题，我们提出了一种多尺度图学习（MSGL）方法。该方法采用多任务学习框架，其中由更大数据集支撑的粗尺度图学习同时增强精细尺度图学习。尽管现有的多尺度或多分辨率方法整合了来自不同空间尺度的数据，但它们常常忽略了不同尺度下图结构之间的空间对应关系。为了解决这个问题，我们的 MSGL 引入了一个额外的学习任务——跨尺度插值学习，该任务利用河流位置在粗、细尺度图之间的水文连通性来建立跨尺度连接，从而提升整体模型性能。此外，我们打破了多尺度学习仅限于同步训练的思维定式，提出了一种异步多尺度图学习方法（ASYNC-MSGL）。大量实验证明了我们的方法在美国特拉华河流域日溪流温度的抗稀疏降尺度任务中达到了最先进的性能，突显了其在水资源监测与管理中的潜在应用价值。