变压器与循环模型用于估算森林总初级生产力
机器学习
2025-11-18 v1 人工智能
计算机视觉与模式识别
摘要
监测森林CO摄取（总初级生产力，GPP）的时空动力学，仍是陆地生态系统研究中的核心挑战。虽然湍流协方差塔（Eddy Covariance, EC）提供高频估计，但其空间覆盖范围有限，限制了大规模评估。遥感提供了可扩展的替代方案，但大多数方法依赖单一传感器光谱指数和统计模型，往往无法捕捉GPP复杂时间动力学。最近的深度学习（DL）和数据融合技术为更好表示植被过程的时间动力学提供了新机会，但针对多模态GPP预测的先进DL模型进行比较评估仍较少见。本文探讨了两种代表性模型用于预测GPP：1）变压器架构（GPT-2），2）循环神经网络（LSTM），使用多变量输入。总体而言，两者实现了相似的准确率。但LSTM在整体上表现更好，而GPT-2在极端事件期间表现更佳。分析时序上下文长度进一步表明，LSTM仅需显著较短的输入窗口即可实现与GPT-2相当的准确率，凸显两种架构之间的准确率-效率权衡。特征重要性分析揭示辐射为主要预测因子，其次为Sentinel-2、MODIS陆地表面温度和Sentinel-1的贡献。我们的结果表明，模型架构、上下文长度和多模态输入共同决定GPP预测中的性能，指导了面向监测陆地碳动态的深度学习框架的未来发展。
引用
@article{arxiv.2511.11880,
title = {Transformers vs. Recurrent Models for Estimating Forest Gross Primary Production},
author = {David Montero and Miguel D. Mahecha and Francesco Martinuzzi and César Aybar and Anne Klosterhalfen and Alexander Knohl and Jesús Anaya and Clemens Mosig and Sebastian Wieneke},
journal= {arXiv preprint arXiv:2511.11880},
year = {2025}
}