时空环境数据预测与插值：孟加拉地下储水量案例研究
机器学习
2025-12-01 v1
摘要
地理空间观测数据常限于点测量，故时序预测与空间插值对于构建连续场至关重要。本研究评估两种深度学习策略以应对此挑战：(1) 网格至网格方法，即利用网格化预测变量建模栅格化目标（建模前聚合），(2) 网格至点方法，即利用网格化预测变量建模点目标，随后采用克里金插值填补整个域。以孟加拉地下储水量数据为案例，对比两者效能。我们的发现表明，空间插值远比时序预测更具难度。特别是，最近邻居并非总是最相似，地质不确定性对点时序行为影响显著。这些洞见激发了基于时间序列动力学对位置进行聚类，以发展更为先进的插值方法。虽以地下储水量为例，结论同样适用于其他受间接可观测因素支配的环境变量。代码已公开于 https://github.com/pazolka/interpolation-prediction-gwsa。
引用
@article{arxiv.2511.22378,
title = {Predicting and Interpolating Spatiotemporal Environmental Data: A Case Study of Groundwater Storage in Bangladesh},
author = {Anna Pazola and Mohammad Shamsudduha and Richard G. Taylor and Allan Tucker},
journal= {arXiv preprint arXiv:2511.22378},
year = {2025}
}
备注
Submitted to the IDA 2026 conference