CarbonBench：基于零样本学习的碳通量上采样全局基准
机器学习
2026-03-11 v1 大气与海洋物理
摘要
准确量化陆地碳交换对于气候政策和碳核算至关重要，然而模型必须泛化到稀疏涡流协方差观测中不足代表的生态系统。尽管这一挑战是零样本空间迁移学习在时间序列回归中的自然实例，然而目前尚无标准化基准来严格评估模型在具有不同气候 regime和植被类型的地理位置上的绩效。我们介绍CarbonBench，这是第一个针对碳通量上采样的零样本空间迁移基准。CarbonBench包含2000-2024年间来自567个流塔站点的超过130万条每日观测数据。它提供：(1)分层评估协议，显式测试跨越未见植被类型和气候 regime的泛化，将空间迁移与时间自相关分离；(2)一套和谐化的遥感和气象特征，支持灵活的架构设计；(3)从基于树的方法到领域通用性架构的基线。通过连接机器学习方法与地球系统科学，CarbonBench旨在启用迁移学习方法的系统比较，作为分布迁移下的回归测试平台，为下一代气候建模贡献力量。
引用
@article{arxiv.2603.09868,
title = {CarbonBench: A Global Benchmark for Upscaling of Carbon Fluxes Using Zero-Shot Learning},
author = {Aleksei Rozanov and Arvind Renganathan and Yimeng Zhang and Vipin Kumar},
journal= {arXiv preprint arXiv:2603.09868},
year = {2026}
}