本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。
Jun, 2023
本文介绍了一种基于 Kriging 插值技术的嵌套预测器方法，通过聚合基于观测点子集的子模型来减轻计算负担，该方法在理论上具有比其他文献中的聚合方法更好的性能，并在模拟数据集和工业测试案例中进行了实际验证。
Jul, 2016
介绍了一种结合了图卷积网络和 Kriging 方法的 “Kriging 卷积网络”（KCN）以及其在几个应用中的表现，通过直接利用邻近的观测值，以及包含个别的 Kriging 方法来生成预测。
利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。
May, 2024
基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。
Dec, 2023
通过基于先前指定的内核，采用数值逼近方法进行核函数选择 / 构造，从而探索构造非参数深度内核的解决方案，通过减半插值点的数量（使用与内核相关联的本征 RKHS 范数进行度量）而不会显着损失精度的简单前提来进行核函数选择。
Aug, 2018
利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。
Sep, 2023
本文提出了一种利用卷积神经网络构建空间分区的方法来解决具有空间非平稳 Matern 协方差的高斯过程参数估计问题，并在合成和真实数据集中对该方法进行了有效性验证。
我们提出了一种映射算法，用于在室内环境中通过近似高斯过程回归计算大规模磁场地图，以用于室内区域的定位算法。
Oct, 2023
本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK)，用于在网络 / 图结构上恢复未采样位置 / 传感器的数据，实现了局部信息的传递和学习。利用动态邻接矩阵进行培训，最终在多个真实数据集上表现出较好的预测效果，这些研究结果表明：1) GNN 是进行空间克里金的有效工具；2) 可以使用动态邻接矩阵进行归纳式 GNN 的训练；3) 训练好的模型可以传递到新的图结构上；4) IGNNK 可以用于产生虚拟传感器。
Jun, 2020