面向知识引导机器学习的基于微调的站点校准：结果综述
机器学习
2025-12-19 v1 人工智能
摘要
准确且经济高效地对决策相关尺度下的林业生态系统碳循环进行定量化，是气候减缓和可持续农业的关键。然而，迁移学习和利用空间异质性在该领域都具有挑战性，因为它们涉及异构数据和复杂的跨尺度依赖。常规方法往往依赖于位置无关的参数化和独立训练，未充分利用迁移学习和空间异质性，限制了在异质性显著的地区的适用性。我们提出了 FTBSC-KGML（Fine-Tuning-Based Site Calibration-Knowledge-Guided Machine Learning），一个基于预训练-微调的、具备空间异质性感知和知识引导的机器学习框架，通过预训练-微调过程和站点特定参数来增强 KGML-ag。使用跨多个中西部区域收集的遥感 GPP、气候和土壤协变量进行预训练-微调，FTBSC-KGML 在利用迁移学习和空间异质性的同时估计土地排放。关键组件是一种具备空间异质性感知的迁移学习方案，即一个全球预训练模型在每个州或站点上进行微调，以学习具备位置感知的表征，从而在数据有限的情况下提高局部准确性而不牺牲可解释性。实证结果表明，FTBSC-KGML 在验证误差和解释力一致性方面均优于纯粹的全局模型，从而更好地捕捉跨州的空间异质性。这一工作扩展了先前的 SDSA-KGML 框架。
引用
@article{arxiv.2512.16013,
title = {Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results},
author = {Ruolei Zeng and Arun Sharma and Shuai An and Mingzhou Yang and Shengya Zhang and Licheng Liu and David Mulla and Shashi Shekhar},
journal= {arXiv preprint arXiv:2512.16013},
year = {2025}
}