Spatiotemporal Interpolation of GEDI Biomass with Calibrated Uncertainty

📄 arXiv: 2604.03874 📥 PDF

作者: Robin Young, Srinivasan Keshav

分类: cs.LG, cs.CE

发布日期: 2026-04-07

💡 一句话要点

提出基于Attentive Neural Process的时空插值方法，用于GEDI生物量不确定性校准。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时空插值 生物量估计 不确定性校准 Attentive Neural Process GEDI数据

📋 核心要点

  1. GEDI数据存在时空覆盖不连续和中断问题，传统方法难以有效进行生物量的时间插值，尤其是在扰动事件期间。
  2. 论文扩展了Attentive Neural Process (ANP) 框架，利用地理空间基础模型嵌入，联合处理稀疏时空数据，实现生物量的时空插值。
  3. 实验结果表明，该ANP方法能够产生良好校准的不确定性估计，适用于需要可靠不确定性量化的森林碳核算应用。

📝 摘要（中文）

为了监测由森林砍伐驱动的碳排放，需要具有校准不确定性的、空间显式和时间连续的地上生物量密度（AGBD）估计。NASA的全球生态系统动力学调查（GEDI）提供了可靠的激光雷达AGBD数据，但其轨道采样导致不规则的时空覆盖，并且偶尔的运行中断（包括2023年3月至2024年4月的13个月休眠期）在观测记录中留下了长时间的空白。先前的工作使用机器学习方法，利用卫星衍生的特征来填补GEDI的空间空白，但通过未观测期间（尤其是在活跃扰动事件中）进行生物量的时间插值在很大程度上仍未解决。此外，用于生物量映射的标准集成方法已被证明会产生系统性地错误校准的预测区间。为了解决这些差距，我们扩展了先前应用于空间生物量插值的Attentive Neural Process（ANP）框架，以使用地理空间基础模型嵌入来联合处理稀疏时空设置。我们对称地对待空间和时间，通过经验验证一种空间换时间的替代形式，其中来自其他时间附近位置的观测结果为保留期间的预测提供信息。我们的结果表明，ANP在扰动状态下产生良好校准的不确定性估计，支持其在测量、报告和验证（MRV）应用中的使用，这些应用需要可靠的不确定性量化以进行森林碳核算。

🔬 方法详解

问题定义：论文旨在解决GEDI数据由于轨道采样和运行中断导致的时空覆盖不连续问题，从而无法准确监测森林砍伐驱动的碳排放。现有方法在空间插值方面取得了一定进展，但在时间插值方面，尤其是在森林扰动事件期间，效果不佳，并且标准集成方法产生的预测区间校准不准确。

核心思路：论文的核心思路是将空间和时间视为对称的，利用Attentive Neural Process (ANP) 框架，通过“空间换时间”的方式，即利用其他时间附近位置的观测数据来预测目标时间点的生物量。这种方法能够有效利用时空信息，填补数据空白，并提高预测的准确性和不确定性校准。

技术框架：整体框架基于Attentive Neural Process (ANP)，主要包含以下几个模块：1) 数据嵌入模块：利用地理空间基础模型嵌入对时空数据进行编码，提取特征。2) 注意力机制模块：通过注意力机制学习不同时空位置观测数据的重要性，从而更好地进行插值。3) 预测模块：基于学习到的时空特征和注意力权重，预测目标位置和时间的生物量。4) 不确定性估计模块：ANP框架能够提供预测结果的不确定性估计，并进行校准。

关键创新：论文的关键创新在于将ANP框架扩展到联合时空插值，并验证了“空间换时间”的有效性。此外，论文还关注了不确定性校准问题，并证明了ANP能够产生良好校准的不确定性估计，这对于森林碳核算等应用至关重要。与现有方法相比，该方法能够更有效地利用时空信息，提高插值精度和不确定性估计的可靠性。

关键设计：论文中，空间和时间被对称地处理，允许模型学习空间和时间之间的相关性。注意力机制的设计允许模型关注对预测有重要影响的时空位置。损失函数的设计旨在优化预测精度和不确定性校准。具体的网络结构和参数设置在论文中进行了详细描述，但此处未知。

🖼️ 关键图片

fig_0

📊 实验亮点

论文通过实验验证了ANP方法在生物量时空插值方面的有效性，尤其是在扰动状态下，ANP能够产生良好校准的不确定性估计。这表明该方法能够提供可靠的生物量估计，并为森林碳核算等应用提供重要支持。具体的性能数据和对比基线在论文中进行了详细描述，但此处未知。

🎯 应用场景

该研究成果可应用于森林碳监测、碳排放核算、森林资源管理和气候变化研究等领域。通过提供时空连续且具有校准不确定性的生物量估计，可以支持更准确的森林碳汇评估，为制定更有效的气候政策提供科学依据，并促进可持续的森林管理。

📄 摘要（原文）

Monitoring deforestation-driven carbon emissions requires both spatially explicit and temporally continuous estimates of aboveground biomass density (AGBD) with calibrated uncertainty. NASA's Global Ecosystem Dynamics Investigation (GEDI) provides reliable LIDAR-derived AGBD, but its orbital sampling causes irregular spatiotemporal coverage, and occasional operational interruptions, including a 13-month hibernation from March 2023 to April 2024, leave extended gaps in the observational record. Prior work has used machine learning approaches to fill GEDI's spatial gaps using satellite-derived features, but temporal interpolation of biomass through unobserved periods, particularly across active disturbance events, remains largely unaddressed. Moreover, standard ensemble methods for biomass mapping have been shown to produce systematically miscalibrated prediction intervals. To address these gaps, we extend the Attentive Neural Process (ANP) framework, previously applied to spatial biomass interpolation, to jointly sparse spatiotemporal settings using geospatial foundation model embeddings. We treat space and time symmetrically, empirically validating a form of space-for-time substitution in which observations from nearby locations at other times inform predictions at held-out periods. Our results demonstrate that the ANP produces well-calibrated uncertainty estimates across disturbance regimes, supporting its use in Measurement, Reporting, and Verification (MRV) applications that require reliable uncertainty quantification for forest carbon accounting.