第二届未来大气科学论坛

局地站点要素预报对于极端天气预警、防灾减灾等方面具有重要现实意义近年来，该任务逐渐从再分析数据转向地面自动气象站观测，并取得了显著的进展。然而，站点气象要素在时空维度上同时存在的长短期异质性仍对预测任务构成严峻的挑战。在时间维度上，现有方法往往未能区分要素的异质时间模式，将长期趋势和短期波动混合建模，导致时序依赖建模效果次优。在空间维度上，现在方法多关注站点网络的稳定空间依赖，而忽略了短期时变的空间依赖。
针对上述问题，本研究提出了基于双流时空图神经网络的局地区域稀疏站点要素预测模型（Dual-Stream Spatio-Temporal Graph Neural Network，DSSTGNN）。该模型在时间维度上引入时序解耦层，通过离散小波变换将长期趋势和短期波动成分分离，并通过双流时序特征提取器充分建模异质时间模式；在空间维度上，设计空间混合图学习层，分别构建自适应图和动态图的双流图学习器，以捕捉长短期异质空间模式。最后，提出基于频域标签的输出层，有效抑制要素序列标签自相关性，增强模型的学习与泛化能力，实现对局地稀疏站点要素的准确预测。在四川地区的数据集上进行了广泛实验，实验结果表明DSSTGNN模型的有效性和优越性。本研究不仅为局部区域稀疏观测条件下的精细度站点要素预测提供了新的视角，也为类似时空建模任务中解决长短期时空异质性问题提供了有益参考。
 

图神经网络,站点要素预报,稀疏站点,小波变换,时空预测