Geosci. Front. | 基于表格基础模型的时空关联小样本地球观测数据预测方法

在地球科学观测中，由于监测周期、传感器布设和野外条件等限制，常产生样本量小但信息价值高的“小样本地球数据”。传统统计模型难以刻画其非线性和空间相关性，而图神经网络等深度学习方法通常依赖大规模训练数据且需针对性设计。本文提出一种基于表格基础模型的时空相关小样本地球数据预测方法。该方法并非直接应用表格基础模型（如TabPFN），而是首先表征并量化地学数据中的时空相关性，将这些特征组织为表格表示，再输入模型进行预测，从而克服了基础模型对空间结构认知不足和预测向全局均值偏移的问题。研究选取青藏铁路沿线降水、白格滑坡位移和西南山区土壤湿度三个典型场景进行验证。结果表明，相较于T-GCN和原始TabPFN模型，该方法在绝大多数站点实现了更低的预测误差和更高的效率系数，且具有较强的跨场景鲁棒性。