SSIN：面向降雨空间插值的自监督学习框架

获取准确的空间降雨分布是水文分析与自然灾害预警中的一项重要任务。然而，不可能在每一个角落都安装雨量计。空间插值是基于可用雨量计数据推断降雨分布的常用方法。然而，现有工作依赖一些不切实际的预设来捕捉空间相关性，这限制了其在真实场景中的性能。为解决此问题，我们提出了 SSIN，这是一种新颖的数据驱动自监督学习框架，通过从历史观测数据中挖掘潜在空间模式来进行降雨空间插值。受完形填空任务与 BERT 的启发，我们充分考虑空间插值的特点，并基于 Transformer 架构设计了 SpaFormer 模型作为 SSIN 的核心。我们的主要思想是：通过随机掩码构建丰富的自监督信号，SpaFormer 能够为原始数据学习信息丰富的嵌入，并基于降雨空间上下文自适应地建模空间相关性。在两个真实世界雨量计数据集上的大量实验表明，我们的方法优于当前最优（SOTA）方案。此外，我们将交通空间插值作为另一用例进一步探索方法的性能，SpaFormer 在一个大型真实世界交通数据集上取得了最佳性能，进一步证实了方法的有效性与通用性。