摘要
持续且完整的气象观测对于可靠的气候分析与环境评估至关重要。然而，由于传感器故障和数据传输问题导致的缺失值可能会引入系统偏差，增加后续应用中的不确定性。气象变量可被视为函数数据，通常具有非线性变量间依赖关系以及时间上的平滑性；这些特性为缺失数据修复提供了有价值的先验信息。为解决这一问题，我们提出了HSIC-DIMFMC方法，这是一种用于气象数据插补的多视图函数矩阵完备化方法，它结合了希尔伯特-施密特独立性准则与双信息图正则化技术。在函数数据分析与多视图学习的统一框架下，希尔伯特-施密特独立性准则用于捕捉多个视图间的非线性依赖关系，而双信息图正则化则有助于保持局部结构关系和时间平滑性。这种联合建模策略显著提升了潜在表示的学习效果，进而增强了插补性能。在真实气象数据集上的实验表明，该方法相比多种现有最佳方法始终具有更优的性能，尤其是在温度-露点以及风速-最大风速这类高度相关的变量对上。与七种不同的方法相比——从传统的空间插值到先进的函数矩阵完备化模型——HSIC-DIMFMC在均方根误差方面平均降低了43.97%至73.59%。结果表明，HSIC-DIMFMC有效利用了非线性跨视图依赖关系和结构信息，为气象数据的协同插补提供了可靠的解决方案。
