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。
文章预览
作者简介｜ PROFILE PROFILE 第一作者：王龙浩 ，中科院地理科学与资源研究所2022级直博生，本科毕业于河海大学水文水资源学院。目前以第一作者身份在 Remote Sensing of Environment，Agricultural and Forest Meteorology 等期刊发表文章。 主要研究方向 ：AI4Hydro 联系方式 ：hhuwlh@163.com 个人主页 ： https://www.researchgate.net/profile/Longhao-Wang 引文链接 ｜CITATION Wang, L., & Zhang, Y. (2024). Filling GRACE data gap using an innovative transformer-based deep learning approach. Remote Sensing of Environment, 315, 114465. https://doi.org/10.1016/j.rse.2024.114465 关键词 ｜KEYWORDS GRACE卫星;陆地水储量;深度学习;Transformer 摘要 ｜ABSTRACT GRACE和GRACE-FO卫星通过重力测量提供了高精度的全球陆地水储量异常(TWSA)数据，对极端天气监测、水资源管理具有重要意义。然而，这些数据存在显著的空缺问题，包括GRACE和GRACE-FO之
………………………………
