GeoPrior-Mamba: Structured Process Priors with Mamba for Fine-Resolution XCO2 Reconstruction

📄 arXiv: 2610.09456v1 📥 PDF

作者: Zhao Meng, Yinan Cai, Siru Zhong, Juepeng Zheng, Haohuan Fu

分类: cs.LG, cs.AI

发布日期: 2026-10-07

💡 一句话要点

提出GeoPrior-Mamba以解决稀疏卫星观测下的XCO2重建问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: XCO2重建 结构化过程先验 语言模型 环境监测 机器学习 卫星观测 生态系统 碳排放

📋 核心要点

  1. 现有方法在稀疏卫星观测下难以有效推断空间结构，导致XCO2重建精度不足。
  2. GeoPrior-Mamba通过引入结构化过程先验，利用语言模型组织过程知识，提升了模型的推断能力。
  3. 实验结果表明，GeoPrior-Mamba在重建精度上显著优于现有方法，且收敛速度更快。

📝 摘要（中文）

从稀疏卫星观测中重建细分的干空气CO2（XCO2）场需要模型推断空间结构，而这些结构仅通过直接测量得到的约束较弱。现有的基于学习的方法通常将环境协变量视为普通数值输入，因此必须从稀疏的监督中学习异质的源-汇关系。本文提出了GeoPrior-Mamba，一个多方向的Mamba框架，增强了离线语言模型诱导的结构化过程先验。我们在训练前使用语言模型来组织与生物圈吸收、生态系统呼吸和人为排放相关的相对过程知识，形成确定性的先验表。这些先验通过地理、生态、排放相关和季节性信息进行空间实例化，并通过轻量级知识适配器自适应地注入到重建骨干网络中。使用2018-2020年的OCO-2观测数据，GeoPrior-Mamba在保留观测上实现了0.81 ppm的均方根误差（RMSE）和0.93的决定系数（R2），相较于CAMS背景插值减少了48.2%的RMSE，相较于Trans-XCO2减少了3.1%。

🔬 方法详解

问题定义：本文旨在解决从稀疏卫星观测中重建细分的XCO2场的问题。现有方法在处理环境协变量时缺乏有效的空间结构推断，导致重建精度不足。

核心思路：GeoPrior-Mamba的核心思路是利用语言模型在训练前组织与生物圈吸收、生态系统呼吸和人为排放相关的过程知识，形成结构化的先验信息，从而增强模型的推断能力。

技术框架：GeoPrior-Mamba框架包括多个模块：首先，通过语言模型生成结构化的过程先验；其次，利用轻量级知识适配器将这些先验信息注入到重建骨干网络中；最后，进行XCO2的重建和评估。

关键创新：最重要的技术创新在于将语言模型生成的结构化过程先验引入到重建过程中，这一方法与传统的直接数值预测方法有本质区别，能够有效提升模型的推断能力。

关键设计：在模型设计中，采用了轻量级知识适配器以实现先验信息的自适应注入，同时在损失函数中考虑了先验信息的影响，确保模型在训练过程中能够有效利用这些信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GeoPrior-Mamba在OCO-2观测数据上的实验结果显示，其均方根误差（RMSE）为0.81 ppm，决定系数（R2）为0.93，相较于CAMS背景插值减少了48.2%的RMSE，且相较于Trans-XCO2减少了3.1%。这些结果表明该方法在重建精度和收敛速度上均有显著提升。

🎯 应用场景

该研究的潜在应用领域包括环境监测、气候变化研究以及碳排放管理等。通过提高XCO2重建的精度，GeoPrior-Mamba能够为政策制定者提供更可靠的数据支持，进而推动可持续发展和环境保护的相关决策。未来，该方法还可能扩展到其他气体的监测与重建任务中。

📄 摘要（原文）

Reconstructing fine-resolution column-averaged dry-air CO2 (XCO2) fields from sparse satellite observations requires models to infer spatial structure that is only weakly constrained by direct measurements. Existing learning-based methods typically treat environmental covariates as ordinary numerical inputs and must therefore learn heterogeneous source-sink relationships largely from sparse supervision. We introduce GeoPrior-Mamba, a multi-directional Mamba framework augmented with offline language-model-induced structured process priors. Rather than using a language model to predict XCO2, we use it before training to organize relative process knowledge for biospheric uptake, ecosystem respiration, and anthropogenic emissions into deterministic prior tables. These priors are spatially instantiated using geographic, ecological, emission-related, and seasonal information and are adaptively injected into the reconstruction backbone through a lightweight knowledge adapter. Using OCO-2 observations from 2018-2020, GeoPrior-Mamba achieves an RMSE of 0.81 ppm and an R2 of 0.93 on held-out observations, reducing RMSE by 48.2% relative to CAMS background interpolation and by 3.1% relative to Trans-XCO2 under the same evaluation protocol. Ablation experiments show a measurable contribution from the knowledge-prior branch and substantially faster convergence than the knowledge-free Mamba backbone. Independent TCCON evaluation further supports the consistency of the reconstructed fields with ground-based column CO2 measurements. These results suggest that language models can provide a practical mechanism for constructing structured process priors when globally consistent process-response representations are difficult to obtain directly, while remaining outside the numerical prediction loop.