La previsión precisa y oportuna de precipitaciones es crítica para la gestión del riesgo climático, la agricultura y la regulación hidrológica. Sin embargo, esta tarea sigue siendo un desafío debido a la evolución dinámica de los sistemas atmosféricos, los factores ambientales heterogéneos y la frecuente falta de datos en observaciones de múltiples fuentes. Para abordar estos problemas, proponemos DAHG, un novedoso marco de previsión de precipitaciones a largo plazo basado en gráficos heterogéneos aumentados dinámicamente con generación de gráficos reforzada, aprendizaje de representación contrastiva y redes de memoria a corto y largo plazo (LSTM). Específicamente, DAHG construye un gráfico heterogéneo temporal para modelar las complejas interacciones entre múltiples variables meteorológicas (por ejemplo, precipitaciones, humedad, viento) e indicadores de teledetección (por ejemplo, NDVI). La tarea de previsión se formula como un problema de regresión espaciotemporal dinámica, donde predecir los valores futuros de precipitaciones corresponde a inferir atributos de nodos objetivo en la secuencia de gráficos en evolución. Para manejar los datos faltantes, presentamos un módulo de generación de gráficos dinámicos reforzado que aprovecha el aprendizaje por refuerzo para completar secuencias de gráficos incompletas, mejorando la consistencia de la previsión a largo plazo. Además, se emplea una estrategia de aprendizaje contrastivo auto-supervisado para extraer representaciones robustas de instantáneas de gráficos de múltiples vistas (es decir, marcos temporalmente adyacentes y vistas de gráficos aumentadas estocásticamente). Finalmente, DAHG integra la dependencia temporal a través de redes LSTM para capturar los patrones de precipitación en evolución y generar estimaciones futuras de precipitaciones. Las evaluaciones experimentales en múltiples conjuntos de datos meteorológicos del mundo real muestran que DAHG reduce el MAE en un 3% y mejora el R2 en 0.02 en comparación con las líneas base de última generación (p < 0.01), confirmando ganancias significativas en precisión y robustez, particularmente en escenarios con observaciones parcialmente faltantes (por ejemplo, debido a fallos de sensores o lecturas de satélites cubiertos por nubes).