Satellitengravimetrische Beobachtungen, wie sie von den Missionen GRACE und GRACE-FO geliefert werden, haben unser Verständnis des globalen Wasserkreislaufs unter dem Einfluss des Klimawandels revolutioniert. Allerdings ist der verfügbare Zeitraum von etwas mehr als 20 Jahren noch relativ kurz, um langfristige klimabezogene Signale wie Trends oder Veränderungen in der Häufigkeit extremer Ereignisse zu isolieren, da die Zeitreihen der Wasserspeicherung möglicherweise noch durch dominante interannuelle (natürliche) Schwankungen überlagert werden. Daher wurden in den letzten Jahren mehrere Ansätze eingeführt, um die GRACE/-FO-Datenaufzeichnungen in die Vergangenheit zu erweitern, indem zusätzliche Datensätze und innovative Methoden, z. B. auf der Grundlage von Machine-Learning-Ansätzen, genutzt wurden. In dieser Studie präsentieren wir eine Rekonstruktion der terrestrischen Wasserspeicherung, die von GRACE (TWS) beobachtet wurde, unter Verwendung eines modifizierten räumlich-zeitlichen graphischen neuronalen Netzwerks, das speziell für multivariate Zeitreihen entwickelt wurde (Wu et. al 2020). Zu den Eingabemerkmalen gehören mehrere Klima- und hydrologische Variablen aus der ERA5-Reanalyse, wie Niederschlag, Evapotranspiration und Abfluss. Die Modellarchitektur kombiniert Graph-Faltungsmodule zur Erfassung räumlicher Abhängigkeiten und zeitliche Faltungsmodule zum Erlernen zeitlicher Muster. Eine speziell entwickelte Adjazenzmatrix kodiert die Beziehungen zwischen Regionen auf der Grundlage sowohl der geografischen Entfernung als auch der Ähnlichkeit in den historischen Zeitreihen. Im Gegensatz zu herkömmlichen Deep-Learning-Ansätzen, die auf großen Eingabematrizen basieren, nutzt unsere Methode die inhärente Effizienz graphbasierter Datenstrukturen, indem sie Zeitreihendaten für jedes Merkmal innerhalb einzelner Knoten explizit kodiert.