Spatiotemporale Interpolation meteorologischer Felder in komplexem Gelände unter Verwendung von Deep Graph Neural Networks

Um sparse meteorologische Daten und den "Glättungseffekt" über komplexem Gelände anzugehen, schlägt diese Studie ein spatiotemporales Modell auf Basis eines Diffusionsgraphenkonvolutionsnetzwerks (DG-Modell) vor. Der Schwerpunkt liegt auf Quanzhou, China, und verwendet Daten von 2020 bis 2024 von 198 Stationen. Das Modell integriert Diffusionsgraphenkonvolution und Residuallernen, um nichtlineare meteorologische Muster zu erfassen. Ensemble-Experimente (100 Iterationen) zeigen, dass das DG-Modell die gewöhnliche Kriging- und KCN-Basislinie in Bezug auf Stabilität und Genauigkeit erheblich übertrifft. Insbesondere verbessert es die Vorhersage von Temperaturen in bergigen Gebieten um 23,4% (40,0% vs. KCN) durch terrainanpassende Gewichtung und reproduziert effektiv physikalische Verteilungseigenschaften. Darüber hinaus reduziert das Modell die inhärente ERA5-Reanalyseverzerrung, indem historische Stationsdaten integriert werden, während die Hintergrundkonsistenz aufrechterhalten wird. Gegenüber räumlichen (OSI) und zeitlichen (OTI) Varianten validiert, bietet das DG-Modell einen robusten Ansatz zur hochauflösenden meteorologischen Rekonstruktion in komplexem Gelände.