刘 鑫， 韩宇平， 黄会平

(1.华北水利水电大学 水利学院， 河南 郑州 450046； 2.华北水利水电大学 测绘与地理信息学院， 河南 郑州 450046)

目前气象数据主要来自气象站的直接观测，具有局部性与离散性等特点，利用空间插值的方法可以根据已知气象站的数据估计那些没有气象站但知道经度、纬度及高程的位置的特征。空间插值的方法很多，不同的插值方法结果差别可能较大，在实际应用中并不存在一种普适性的插值方法。常用的空间插值方法主要有普通Kriging法(Ordinary Kriging，OK)[1-2]和反向距离加权法(Inverse Distance Weighted，IDW)[3-4]等。OK法在Kriging插值方法中应用最广泛，通过对已知样本加权平均估计平面上的未知点，而加权平均势必要对数据做平滑处理，会削弱变量的自然属性，从而不能较好地表现非线性特征数据的空间分布。IDW法以插值点与样本点间的距离为权重进行加权平均，该方法要求离散点均匀分布。

人工神经网络(Artificial Neural Network，ANN)处理非线性数据的能力较强[5]，且不依赖数据分布和假设，因此ANN模型被广泛应用于空间插值[6]。徐英等[7]利用Bayes最大熵融合Bayes人工神经网络，在农田土壤水分和养分的空间插值中取得了较好结果。但是ANN学习能力不足，在纯数据驱动模式下建立数据之间的映射关系，ANN容易过度拟合[8-9]。此外ANN只是在输入与输出之间建立映射关系，没有对该映射关系进行优劣评价。虽然ANN也得到一定的改进和完善，但是性能的提升却比较有限。近些年深度学习模型的出现为数据插值处理提供了新的思路，如径向基网络[10-11]、长短时记忆循环神经网络[12-13]及生成对抗网络[14-15]等展示了出色的性能，在预报预测及空间插值等领域取得了较好的结果。……