GEDI 生物量估计的插值及校准不确定性量化
机器学习
2026-02-05 v3 计算工程、金融与科学
计算机视觉与模式识别
摘要
可靠地从NASA GEDI任务中获得稀疏激光雷达观测在异构地表上的壁面生物量密度估计，需要对其进行插值。尽管Random Forest和XGBoost等机器学习方法在GEDI观测从多光谱或SAR遥感数据上的空间预测中广泛使用，但它们将这些预测视为独立，而未针对异构地表的不同难度进行调整。我们展示，这些方法通常无法产生校准的预测区间。这一现象源于将集合方差与 aleatoric 不确定性混为一谈，以及忽略局部空间背景。为解决此问题，我们引入注意力神经过程（ANPs），这是一种概率元学习架构，显式地将预测条件化为局部观测集，并利用地理空间基础模型嵌入。与静态集合不同，ANPs学习灵活的空间协方差函数，使复杂地表的估计值更不确定，而在均匀区域则更不确定。我们在从热带亚马逊雨林到苔原、温带和高山生态系统的五个不同生态系统中验证了这一方法，证明ANPs在保持接近理想不确定性校准的同时，实现了竞争的精度。我们通过few-shot 迁移展示了该方法的操作实用性，该模型在最小化本地数据的情况下恢复了跨区域迁移性能的大部分差距。这项工作为大尺度地球观测提供了一个可扩展且理论严谨的静态方差替代方案。
引用
@article{arxiv.2601.16834,
title = {Interpolation of GEDI Biomass Estimates with Calibrated Uncertainty Quantification},
author = {Robin Young and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2601.16834},
year = {2026}
}