高原与复杂地形地区气象观测站点稀疏、地形海拔落差悬殊，气象要素时空演变具有显著的异质性与非平稳性，局地气象预报面临严峻挑战。传统数值天气预报模式在此类区域存在中小尺度过平滑、计算代价高昂及局地适应性不足等固有局限。现有数据驱动方法在处理稀疏站点气象预报时，普遍存在两方面不足：其一，在时间维度上，大多数模型采用统一框架处理所有时间尺度依赖，无法有效区分低频长期趋势（如季节性循环）与高频短期波动（如极端天气扰动）的差异性贡献；其二，在空间维度上，现有方法多依赖静态图结构，难以同时刻画地形、海拔等因素决定的稳定长期空间关联，以及冷涡、锋面过境等天气过程引发的动态短期空间交互。
针对上述问题，本研究提出一种双流时空图神经网络（DSSTGNN），专门面向高原复杂地形条件下的稀疏站点气象要素预报。模型由三个核心模块构成：
时间解耦学习层采用离散小波变换将气象时间序列解耦为趋势与波动两类分量，通过时间注意力模块与时间卷积模块分别建模长期趋势与短期波动，并经时间门控单元自适应融合，实现对异质时间模式的协同建模。
空间混合图学习层构建静态自适应图与动态图双图结构，融合地理坐标、海拔与时间戳嵌入，生成随时空上下文演化的动态邻接矩阵。结合图卷积网络与图注意力网络的双流图学习器分别提取长短期空间依赖，经空间门控单元自适应融合，有效克服复杂地形区域单一静态图方法的局限。
频域标签感知输出层在频域计算损失函数，通过快速傅里叶变换抑制气象序列固有的标签自相关干扰，促使模型聚焦真实的大气动力演变规律，提升多步预报精度与长序列预报稳定性。
本研究基于四川省156个自动气象观测站开展实验验证，时间跨度为2021~2024年，时间分辨率为逐时，包含气温、气压与相对湿度三种要素，覆盖3至48小时多个预见期。结果表明，DSSTGNN在全部预见期上均显著优于9种主流基线模型，平均MAE降低11.9%，平均RMSE降低14.3%。空间可视化分析表明，受益于动态图学习器融入的海拔与地理嵌入，DSSTGNN在高海拔稀疏观测区域仍保持较高预报精度。消融实验证实了各模块的不可或缺性，可解释性分析从时间与空间两个维度揭示了模型工作机理的合理性。
本研究为高原复杂地形条件下的稀疏站点气象预报提供了高精度、强泛化的深度学习框架，其时间解耦、空间混合图与频域优化的三级设计范式，为复杂地形气象监测与预警预报技术提供了新的思路与方法参考。
 

图神经网络,站点要素预报,稀疏观测,时空预测,复杂地形