基于表示学习的任务感知调制用于提升陆地碳通量
机器学习
2026-03-12 v2 大气与海洋物理
摘要
准确地放大陆地碳通量是估算全球碳预算的关键任务，但由于地面测量稀疏且区域偏斜，仍面临挑战。现有数据驱动的放大方法往往难以在未观察的区域外推，导致系统性区域偏差和高预测不确定性。我们引入任务感知调制与表示学习 (TAM-RL)，一种将时空表示学习与由碳平衡方程推导的知识导向编码器-解码器架构和损失函数相结合的框架。在150多个通量塔站点（代表多样生态系统和气候 regime）上，TAM-RL 相对于现有最先进数据集实现了性能提升，取决于目标通量，RMSE 降低 8-9.6%，解释方差 (R2) 从 19.4% 提升至 43.8%。这些结果表明，通过将物理驱动的约束与自适应表示学习相结合，可显著增强全球碳通量估计的鲁棒性和可迁移性。
引用
@article{arxiv.2603.09974,
title = {Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes},
author = {Aleksei Rozanov and Arvind Renganathan and Vipin Kumar},
journal= {arXiv preprint arXiv:2603.09974},
year = {2026}
}
备注
Accepted to the KGML Bridge at AAAI 2026 (non-archival)