近日，我院卢楚翰教授及其团队在国际权威期刊《International Journal of Climatology》发表了题为“A Spatial Interpolation Method for Meteorological Data Based on a Hybrid Kriging and Machine Learning Approach”的研究成果。文章将图神经网络预测模型与克里金插值算法相结合，提出一种改进的混合深度学习克里金时空插值方法，为气象数据插值提供了一种新的方法和视角。

卢楚翰教授等人研究探索了网格点和特定站点离散气象数据的空间插值方法，利用图神经网络(GNN)与克里金算法提供的额外泛化和归纳能力，通过站点插值和格点数据插值两种场景下的实验，与普通克里金等插值方法进行比较。实验结果表明混合模型的精度有了显著提高，有效解决了普通克里金等插值方法在低台站密度条件下以及不同下垫面和显著地形梯度的地区精度较差的问题。这种能力对于在观测有限的地区更准确地预测气象变量特别有价值。

图1:2020年10月19日至2020年12月29日期间，利用80个站点数据随机插值的20个气象站点的RMSE。黑色实线和红色实线分别代表使用HM模型和普通克里金模拟的100次插值的平均值。蓝色阴影区域和黄色阴影区域分别表示使用HM模型和普通克里金合成的100组插值数据。

图2:2020年11月18日长江三角洲日平均2米气温(单位:℃)和降水(单位:mm/day)分布。子图描述如下:(a)表示T2m站点(散点图)和ERA5格点数据(等值线)。(b)表示HM(散点图)和ERA5格点数据(等值线)插值得到的2米气温。(c)类似于(b)，但使用普通克里金插值。(d)-(f)类似于(a)-(c)，但对于降水。

论文信息：Chuhan, L., JuLong, H.,DingAn,H.,YuJing, Q .,Fei, X&Hao, S. (2024). A Spatial Interpolation Method for Meteorological Data Based on a Hybrid Kriging and Machine Learning Approach, 1–10. https://rmets.onlinelibrary.wiley.com/doi/epdf/10.1002/joc.8641