PyTorch 中的时空 DeepKriging：面向降水数据插值与概率预测的补充应用
机器学习
2025-09-17 v1 应用统计
摘要
本文对欧洲降水数据进行了详细分析，重点关注插值与预测应用。为实现这些目标，使用 PyTorch 平台实现了一个时空 DeepKriging（STDK）框架。所提出的模型能够处理时空不规则性，同时生成高分辨率插值和多步预测。我们开发了可复现的代码模块，作为插值\footnote[2]{Interpolation - https://github.com/pratiknag/Spatio-temporalDeepKriging-Pytorch.git}和预测\footnote[3]{Forecasting - https://github.com/pratiknag/pytorch-convlstm.git}的独立 PyTorch 实现，便于更广泛地应用于类似的气候数据集。通过对每日降水测量数据的广泛评估，展示了该方法的有效性，突出了其预测性能与鲁棒性。
关键词
引用
@article{arxiv.2509.12708,
title = {Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting},
author = {Pratik Nag},
journal= {arXiv preprint arXiv:2509.12708},
year = {2025}
}