面向时空生态系统碳通量预测的角色感知条件推断
机器学习
2026-03-05 v1 人工智能
摘要
精准预测陆地生态系统碳通量（如 CO、GPP 和 CH）对于理解全球碳循环及其影响至关重要。然而，由于强大的时空异质性，预测仍然具有挑战性：生态系统通量响应受缓变化的制约条件限制，而短期波动则由高频动态驱动。大多数现有基于学习的方法将环境协变量视为均匀输入空间，隐式假设存在全局响应函数，导致其在异构生态系统上的泛化能力差。本文提出了角色感知条件推断（Role-Aware Conditional Inference, RACI），一个以过程为导向的学习框架，将生态系统通量预测建模为条件推断问题。RACI 使用分层时序编码来分离缓慢的制约因子与快速的动态驱动，并采用基于角色的空间检索为每个角色提供功能相似且地理上局部的上下文。通过显式建模这些不同的功能角色，RACI 使模型能够在 diverse 环境条件下自适应预测，而无需训练独立的局部模型或依赖固定的空间结构。我们在多个生态系统类型（湿地和农业系统）、碳通量（CO、GPP、CH）以及数据来源上进行评估，包括基于过程的仿真和观测测量。在所有设置下，RACI 均一致优于竞争性时空基线，展示出在显著环境异质性下的改进精度和空间泛化能力。
引用
@article{arxiv.2603.03531,
title = {Role-Aware Conditional Inference for Spatiotemporal Ecosystem Carbon Flux Prediction},
author = {Yiming Sun and Runlong Yu and Rongchao Dong and Shuo Chen and Licheng Liu and Youmi Oh and Qianlai Zhuang and Yiqun Xie and Xiaowei Jia},
journal= {arXiv preprint arXiv:2603.03531},
year = {2026}
}