摘要
传统的气象数据空间插值方法通常基于线性或静态假设，这类假设在复杂地形中并不适用，也无法充分利用连续的时空变化信息。本文提出了一种具有自适应时间衰减功能的时空图网络模型（DG），该模型结合了可学习的图卷积模块和时间衰减机制，能够为目标站点或区域在连续时间步长内实现精准的降水量估算。研究使用中国甘肃省陇南市9个站点的日降水量数据，以及ERA5（0.25°）和GPCP（0.5°）网格化再分析产品对该方法进行了验证。在站点间插值场景中，DG的性能显著优于传统克里金法（OK），平均均方根误差从1.4毫米/天降至1.2毫米/天，在山区站点的改善幅度更是达到28.6%。在网格到站点的插值任务中，DG的平均均方根误差为1.9毫米/天，而OK则为2.5毫米/天。在强降水日（降水量≥20毫米/天）时，DG的均方根误差相比OK几乎降低了一半，分别为11.7毫米/天和23.2毫米/天。研究还对比了仅考虑时间的LSTM基准模型以及三种消融实验模型（仅考虑空间的OSI、仅考虑时间的OTI和仅考虑dgcn的OD），结果均显示DG的性能更优，进一步证明了时空整合的重要性。此外，IDW和共克里金法等其他基准模型也证实了DG的优越性。所提出的方法为复杂地形中气象要素的高精度时空插值提供了一种极具前景的新途径。
