1.一种基于自适应时空图神经网络的海表温度预测方法，其特征在于，包括以下步骤：（1）采用NOAA官网提供的最优插值海温OISST数据集，选取渤海和东海海域的二维海表温度数据；

（2）对采集到的二维数据集进行数据预处理，得到具有时间编码的时空数据，以及初始邻接矩阵；并将其划分为训练集、验证集和测试集；包括以下步骤：（21）按照年份为周期对时空数据进行时间编码；通过欧式距离和皮尔逊相关系数计算，构建初始邻接矩阵，为海表温度的时序数据提供结构化的图形表示；

（22）对输入的二维SST数据进行标准化，并将标准化的二维数据划分为训练集、验证集和测试集；

（3） 构建基于自适应时空图卷积网络的SST预测模型；其中，SST预测模型包括：时空预测模块、图学习模块、邻接矩阵更新模块；具体如下：将预处理后的训练集依次经过时空预测模块训练得到模型参数；接着，通过图学习模块生成新的邻接矩阵；随后将生成的新邻接矩阵加入到邻接矩阵更新模块，在邻接矩阵更新模块中，利用加权邻接矩阵求和得到更新的邻接矩阵；最后，更新的邻接矩阵重新输入时空预测模块，依次交替循环训练得到最优的模型参数；其中，时空预测模块由3组时空块ST block、残差连接和跳跃连接构成；每个时空块包含一个注意力层、一个时间卷积层、一个图卷积层和残差连接；包括以下步骤：（31）将训练集和初始邻接矩阵输入到时空预测模块中，训练得到模型参数；时空预测模块包含3组堆叠的时空块，每个时空块由注意力层、时间卷积层和图卷积层组成；注意力层由多个空间注意力组成，用于对不同时间步长下的空间依赖关系进行建模；时间卷积层采用空洞卷积去采集具有周期特点的时间特征；图卷积层由2组传播层组成，分别处理通过每个节点的流入和流出信息；同时，添加残差连接；

（32）接着，设定步骤（31）中时空预测模型的参数不变，训练图学习模块，生成新的邻接矩阵；其中，图学习模块采用可学习的参数化邻接矩阵来近似海表温度之间的空间相关性，公式如下：；

其中，  ， 进行Kaiming均匀初始化，  ， ，N是节点数， 是隐藏特征维度； 表示N个节点的可学习且初始值为0‑1之间的随机数；Diag(Λ)表示Λ的对角矩阵；将存储的梯度用于调整模型的参数 、  和 ，使损失函数值朝着最小化方向变化；通过激活函数增强的稀疏性，并利用自适应聚合模块将旧邻接矩阵 和新的空间 依赖组合，公式如下：；

；

其中，图学习模块在第1轮训练过程中， 为初始输入的邻接矩阵 ；循环训练过程中， 为前一轮邻接矩阵更新模块输出的邻接矩阵；h是卷积核为1 × 1的卷积层， 是逐元素相乘；稀疏的邻接矩阵计算如下：；

其中， 和 是对角矩阵， ，

， 是阈值，过滤 弱关系，设置 ，N为节点数；

（33）将步骤（32）中生成的邻接矩阵加入到邻接矩阵更新模块中，在邻接矩阵更新模块中，加权邻接矩阵求和得到更新后的邻接矩阵；邻接矩阵更新模块通过预测误差来动态调整邻接矩阵的权重，使更新后邻接矩阵反映数据空间依赖关系；计算每个邻接矩阵的预测损失，与预测损失最大值进行比较；所有邻接矩阵加权后求和作为更新的邻接矩阵，重新输入时空预测模块，进入新一轮的模型参数训练；其中，邻接矩阵集合中的邻接矩阵数设定上限值；将中的每个邻接矩阵与处理后的SST数据输入已训练的时空预测模块，计算相应的预测损失，公式如下：；

其中， 表示预测损失， 是第k个邻接矩阵，X表示输入数据，Y是观测值， 是STPM模块的可学习参数，将所有预测损失组成一个向量 ，，为最大值，权重向量 通过以下

函数来决定：

；

其中， 函数的定义为：

；

其中， 函数计算 中每个元素与最大损失值之间差异，通过指数函数将其映射成权重值，量化每个邻接矩阵的相对重要性；更新的邻接矩阵由所有邻接矩阵的加权和计算，更新为：；

其中， 是邻接矩阵数； 通过公式归一化；

（4）将测试集输入至训练好的所述模型中进行预测，并对结果进行反标准化处理，与观测值计算得出预测误差。

2.根据权利要求1所述的一种基于自适应时空图神经网络的海表温度预测方法，其特征在于，步骤（4）具体如下：（41）将步骤（2）中预处理后的二维测试集输入到训练好的模型中，得出预测结果，对结果进行反标准化处理，公式如下：；

其中， 表示经过模型预测后的数据， 和 分别是标准差和均值；

（42）对反标准化后的数据与观测值进行误差计算； 用于计算预测值和观测值之间的平均绝对误差， 用于计算预测值与观测值之间的均方根误差，用于计算平均绝对百分比误差；计算公式为：；

；

；

其中，i ，j表示空间格点坐标，K表示测试样例总数，I表示纬向总格点数，J表示经向总格点数； 表示对应空间格点模型预报的SST值， 表示对应空间格点的SST观测值。

3.一种基于自适应时空图神经网络的海表温度预测系统，其特征在于，包括：采集模块：用于采用NOAA官网提供的最优插值海温OISST数据集，选取渤海和东海海域的二维海表温度数据；

预处理模块：用于对采集到的二维数据集进行数据预处理，得到具有时间编码的时空数据，以及初始邻接矩阵；并将其划分为训练集、验证集和测试集；具体如下：按照年份为周期对时空数据进行时间编码；通过欧式距离和皮尔逊相关系数计算，构建初始邻接矩阵，为海表温度的时序数据提供结构化的图形表示；

对输入的二维SST数据进行标准化，并将标准化的二维数据划分为训练集、验证集和测试集；

SST预测模型构建模块：用于构建基于自适应时空图卷积网络的SST预测模型；其中，SST预测模型包括：时空预测模块、图学习模块、邻接矩阵更新模块；具体如下：将预处理后的训练集依次经过时空预测模块训练得到模型参数；接着，通过图学习模块生成新的邻接矩阵；随后将生成的新邻接矩阵加入到邻接矩阵更新模块，在邻接矩阵更新模块中，利用加权邻接矩阵求和得到更新的邻接矩阵；最后，更新的邻接矩阵重新输入时空预测模块，依次交替循环训练得到最优的模型参数；其中，时空预测模块由3组时空块ST block、残差连接和跳跃连接构成；每个时空块包含一个注意力层、一个时间卷积层、一个图卷积层和残差连接；具体如下：将训练集和初始邻接矩阵输入到时空预测模块中，训练得到模型参数；时空预测模块包含3组堆叠的时空块，每个时空块由注意力层、时间卷积层和图卷积层组成；注意力层由多个空间注意力组成，用于对不同时间步长下的空间依赖关系进行建模；时间卷积层采用空洞卷积去采集具有周期特点的时间特征；图卷积层由2组传播层组成，分别处理通过每个节点的流入和流出信息；同时，添加残差连接；

接着，设定时空预测模型的参数不变，训练图学习模块，生成新的邻接矩阵；其中，图学习模块采用可学习的参数化邻接矩阵来近似海表温度之间的空间相关性，公式如下：；

其中，  ， 进行Kaiming均匀初始化，  ， ，N是节点数， 是隐藏特征维度； 表示N个节点的可学习且初始值为0‑1之间的随机数；Diag(Λ)表示Λ的对角矩阵；将存储的梯度用于调整模型的参数 、  和 ，使损失函数值朝着最小化方向变化；通过激活函数增强的稀疏性，并利用自适应聚合模块将旧邻接矩阵 和新的空间 依赖组合，公式如下：；

；

其中，图学习模块在第1轮训练过程中， 为初始输入的邻接矩阵 ；循环训练过程中， 为前一轮邻接矩阵更新模块输出的邻接矩阵；h是卷积核为1 × 1的卷积层， 是逐元素相乘；稀疏的邻接矩阵计算如下：；

其中， 和 是对角矩阵， ，

， 是阈值，过滤 弱关系，设置 ，N为节点数；

将生成的邻接矩阵加入到邻接矩阵更新模块中，在邻接矩阵更新模块中，加权邻接矩阵求和得到更新后的邻接矩阵；邻接矩阵更新模块通过预测误差来动态调整邻接矩阵的权重，使更新后邻接矩阵反映数据空间依赖关系；计算每个邻接矩阵的预测损失，与预测损失最大值进行比较；所有邻接矩阵加权后求和作为更新的邻接矩阵，重新输入时空预测模块，进入新一轮的模型参数训练；其中，邻接矩阵集合中的邻接矩阵数设定上限值；将中的每个邻接矩阵与处理后的SST数据输入已训练的时空预测模块，计算相应的预测损失，公式如下：；

其中， 表示预测损失， 是第k个邻接矩阵，X表示输入数据，Y是观测值， 是STPM模块的可学习参数，将所有预测损失组成一个向量 ，，为最大值，权重向量 通过以下

函数来决定：

；

其中， 函数的定义为：

；

其中， 函数计算 中每个元素与最大损失值之间差异，通过指数函数将其映射成权重值，量化每个邻接矩阵的相对重要性；更新的邻接矩阵由所有邻接矩阵的加权和计算，更新为：；

其中， 是邻接矩阵数； 通过公式归一化；

预测模块：用于将测试集输入至训练好的所述模型中进行预测，并对结果进行反标准化处理，与观测值计算得出预测误差。

4.根据权利要求3所述的一种基于自适应时空图神经网络的海表温度预测系统，其特征在于，预测模块中，具体如下：将预处理后的测试集输入到训练好的模型中，得出预测结果，对结果进行反标准化处理，公式如下：；

其中， 表示经过模型预测后的数据， 和 分别是标准差和均值；

对反标准化后的数据与观测值进行误差计算； 用于计算预测值和观测值之间的平均绝对误差， 用于计算预测值与观测值之间的均方根误差，用于计算平均绝对百分比误差；计算公式为：

；

；

；

其中，i ，j表示空间格点坐标，K表示测试样例总数，I表示纬向总格点数，J表示经向总格点数； 表示对应空间格点模型预报的SST值， 表示对应空间格点的SST观测值。