面向多样生态系统的碳通量预测的面积感知高分辨方法
机器学习
2025-12-02 v1
摘要
自然气候解决方案 (NCS) 提供了一种缓解二氧化碳 (CO2) 排放的方法。然而，监测跨大范围地理区域生态系统的碳吸收仍然具有挑战性。湍流-面积相关塔楼为预测从卫星产品派生的“向上”模型提供基准，但许多卫星现已在小于塔楼足迹的空间尺度上提供测量。我们引入面积感知回归 (FAR)，这是一种首创性的深度学习框架，同时预测空间足迹和像素级 (30 米尺度) 的碳通量估计。FAR 在我们的 AMERI-FAR25 数据集上进行训练，该数据集将 439 年的塔楼数据与相应的 Landsat 场景相结合。我们的模型产生高分辨率预测，在 diverse ecosystems 的测试站点上预测月度净生态系统交换 (NEE) 时达到 R2 = 0.78。
引用
@article{arxiv.2512.01917,
title = {A Footprint-Aware, High-Resolution Approach for Carbon Flux Prediction Across Diverse Ecosystems},
author = {Jacob Searcy and Anish Dulal and Scott Bridgham and Ashley Cordes and Lillian Aoki and Brendan Bohannan and Qing Zhu and Lucas C. R. Silva},
journal= {arXiv preprint arXiv:2512.01917},
year = {2025}
}
备注
29 pages, 7 Figuers