HA.222 [遥感时间序列插补] Transformer深度学习算法填补GRACE水资源卫星空缺序...

主要观点总结

本文介绍了作者王龙浩利用Transformer时间序列深度学习模型填补GRACE卫星数据空缺的研究。文章主要介绍了研究的背景、目的、方法、结果和结论，包括GRACE数据的重要性、数据空缺问题、使用的深度学习模型、模型的表现和优势等。

关键观点总结

关键观点1: 研究背景与目的

GRACE和GRACE-FO卫星提供的高精度全球陆地水储量异常数据对极端天气监测、水资源管理具有重要意义，但存在显著的数据空缺问题，限制了其应用。

关键观点2: 使用的深度学习模型

本研究提出了一种基于Transformer的时间序列深度学习模型，用于预测时间序列，填补GRACE数据的时间空缺。该模型引入了因果卷积的自注意力机制，能高效捕捉GRACE时间序列的局部特征。

关键观点3: 模型的表现和优势

模型在验证集上的平均NSE为0.91，具有较高的准确性。与现有的时间序列和深度学习方法相比，该模型在流域时间序列维度上的表现总体更为优异，能很好地捕捉季节性周期变化和趋势变化，具有更好的稳健性。

关键观点4: 模型的公开与分享

研究提供的数据和代码已经公开，以供相关的学术和应用研究。填补后的数据以及可一键复现的深度学习代码基于Pytorch，便于其他研究者使用。

免责声明