神经过程在时空间隙和扰动下保持校准的生物量估计
机器学习
2026-04-14 v2 计算工程、金融与科学
摘要
监测砍伐驱动的碳排放需要具备空间显式和时连续生物量密度（AGBD）的校准不确定性估计。NASA 的全球生态系统动态调查（GEDI）提供可靠的激光雷达衍生的 AGBD，但其轨道采样导致不规则的时空覆盖，且偶发性中断（包括 2023 年 3 月至 2024 年 4 月的 13 个月睡眠）在观测记录中留下延长间隙。先前工作使用机器学习方法填充 GEDI 的空间间隙，但通过未观察时段的生物量插值（尤其是跨活跃扰动事件）仍基本未被 addressed。此外，标准的集成方法用于生物量制图已被证明会产生系统性失准的预测区间。为解决这些问题，我们扩展了注意力神经过程（ANP）框架——此前应用于空间生物量插值——以处理稀疏的时空设置，利用地理空间基础模型嵌入。我们将空间与时间对称地对待，经验上验证了一种空间换时间的形式，即来自其他时间点相邻位置的观察可用于 inform 对预测 held-out 时段的预测。我们的结果表明，ANP 在扰动情景下 produces well-calibrated 的不确定性估计，支持其在需要可靠不确定性量化的 Measurement、Reporting and Verification（MRV）应用中用于森林碳核算。
引用
@article{arxiv.2604.03874,
title = {Neural Processes Maintain Calibrated Biomass Estimates Across Spatiotemporal Gaps and Disturbance},
author = {Robin Young and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2604.03874},
year = {2026}
}