利用校准不确定性量化进行GEDI生物量估计插值
Interpolation of GEDI Biomass Estimates with Calibrated Uncertainty Quantification
AI总结：
本文提出利用注意力神经过程（ANPs）进行GEDI生物量估计插值，通过校准不确定性量化提升预测准确性与不确定性校准效果。
摘要：
从NASA的GEDI任务可靠地进行墙到墙的生物量密度估计需要在异质景观上插值稀疏LiDAR观测数据。虽然随机森林和XGBoost等机器学习方法被广泛使用，但它们将GEDI观测从多光谱或SAR遥感数据中的空间预测视为独立的，而不适应异质景观变化的难度。我们证明这些方法通常无法产生校准的预测区间。我们显示，这源于将集成方差与随机不确定性混淆，并忽略了局部空间上下文。为了解决这个问题，我们引入了注意力神经过程（ANPs），一种概率元学习架构，它明确将预测条件于局部观测集，并利用地理空间基础模型嵌入。与静态集合不同，ANPs学习了一种灵活的空间协方差函数，使估计在复杂景观中更加不确定，在同质区域则更不不确定。我们验证了这种方法在五个不同的生物圈中的有效性，从热带亚马逊森林到苔原、温带和高山生态系统，证明ANPs在保持几乎理想的不确定性校准的同时实现了竞争性的准确性。我们通过少量样本适应展示了该方法的实用性，其中模型在使用最少的本地数据时能够恢复大部分跨区域转移的性能缺口。这项工作为大陆尺度地球观测提供了一种可扩展且理论严谨的替代方法，替代传统集合方差。
英文摘要：
Wall-to-wall biomass density estimation from NASA's GEDI mission requires interpolating sparse LIDAR observations across heterogeneous landscapes. While Random Forest and XGBoost are widely used, they predict each location independently from satellite features, without adapting to the varying difficulty of heterogeneous landscapes. We introduce Attentive Neural Processes (ANPs), a probabilistic meta-learning architecture that explicitly conditions predictions on local observation sets as well as geospatial foundation model embeddings. ANPs learn a flexible spatial covariance approximator that is more uncertain in complex landscapes and less in homogeneous areas. We validate this approach across five distinct biomes ranging from tropical Amazonian forests to boreal, temperate, and alpine ecosystems, demonstrating that ANPs achieve competitive accuracy while maintaining uncertainty calibration. We demonstrate a scalable, empirically calibrated alternative to ensemble architectures for continental-scale biomass mapping.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
