Los datos observacionales de alta calidad juegan un papel crucial en la profundización de la investigación sobre la influencia de la meseta tibetana en el clima asiático. Este estudio emplea ocho modelos de aprendizaje automático (regresión de vectores de soporte (SVR), k-vecinos más cercanos (KNN), aumento extremo de gradiente (XGBoost), bosque aleatorio (RF), memoria a largo y corto plazo (LSTM), unidad recurrente con compuerta (GRU), Transformer y red neuronal convolucional Transformer (Transformer-CNN)) para interpolar datos observacionales faltantes sobre la radiación neta en la superficie (Rn), temperatura de la superficie del suelo (Ts), contenido de agua en el suelo (SWC), temperatura del aire (Ta), humedad relativa (RH) y velocidad del viento (WS) del sitio de observación QOMS. Los datos cubren el período del 1 de enero de 2007 al 31 de diciembre de 2016. Una evaluación comparativa de estos modelos muestra que el modelo Transformer-CNN supera consistentemente a los otros modelos en términos de precisión de predicción. En el conjunto de datos de prueba, los coeficientes de determinación para los resultados interpolados de Ta, RH, WS, SWC, Ts y Rn fueron 0.97, 0.92, 0.97, 0.79, 0.93 y 0.98, respectivamente. En segundo lugar, el modelo Transformer-CNN se aplicó para generar un conjunto de datos meteorológicos completo para todo el período. Un análisis de series temporales de este conjunto de datos revela tendencias estadísticamente significativas en la última década: la temperatura del aire (Ta) aumentó en 0.60 grados C ( = 0.022) y la temperatura del suelo (Ts) en 1.85 grados C ( = 1.37 x 10). Mientras tanto, la velocidad del viento (WS), el contenido de agua en el suelo (SWC) y la radiación neta (Rn) disminuyeron en 0.42 m/s ( = 1.18 x 10), 1.24% ( < 0.001) y 9.21 W/m ( = 8.81 x 10), respectivamente.