本研究は、不完全なデータが環境質の予測に与える影響を解決するための新しいフレームワーク、CGLUBNF（チャネルゲート学習ユニットに基づく空間・時間ベイズニューラルフィールド）を提案します。環境質予測は公衆衛生や排出管理において重要ですが、観測データの欠落が頻繁に発生し、信頼性のある推測やリスク評価を妨げています。提案されたフレームワークは、マルチスケールの空間依存性と季節的な時間動態を捉えるために、フーリエ特徴とグラフアテンションエンコーダを使用します。さらに、ベイズ推論を利用して予測分布とパラメータの不確実性を最適化し、優れた予測精度と信頼性の高い予測区間を実現します。実験では、現実のデータセットを用いて複数の欠損データパターンを評価し、従来の手法と比較し、CGLUBNFの有効性を検証しました。