Neues probabilistisches Interpolationsmodell verbessert GEDI-Biomasse-Kartierung

Die präzise Erfassung von Biomasse über die gesamte Erdoberfläche mithilfe der NASA‑Mission GEDI erfordert die Interpolation von spärlich verteilten LiDAR‑Messungen in Landschaften mit großer Heterogenität. Traditionelle Machine‑Learning‑Ansätze wie Random Forest und XGBoost behandeln die räumlichen Vorhersagen als unabhängige Punkte und berücksichtigen dabei nicht die unterschiedlichen Schwierigkeitsgrade der jeweiligen Gebiete.

Diese Vorgehensweise führt häufig zu unzureichend kalibrierten Unsicherheitsintervallen, weil Ensemble‑Varianz mit der tatsächlichen, zufälligen Unsicherheit (aleatorisch) vermischt wird und der lokale räumliche Kontext ignoriert wird. Um dieses Problem zu lösen, wurde ein neues probabilistisches Meta‑Learning‑Framework namens Attentive Neural Processes (ANPs) entwickelt.

ANPs konditionieren ihre Vorhersagen explizit auf lokale Beobachtungssätze und geospatiale Embeddings aus Basis‑Modellen. Im Gegensatz zu statischen Ensembles lernt das Modell eine flexible räumliche Kovarianzfunktion, die die Unsicherheit in komplexen Landschaften erweitert und in homogenen Gebieten reduziert. Dadurch passen die Unsicherheitsabschätzungen dynamisch an die örtlichen Gegebenheiten an.

Die Methode wurde in fünf unterschiedlichen Biomen – von tropischen Amazonaswäldern bis zu borealen und alpinen Ökosystemen – getestet. ANPs erzielten dabei eine konkurrenzfähige Genauigkeit und nahezu ideale Unsicherheitskalibrierung. Durch wenige‑Shot‑Anpassung konnte das Modell den Leistungsunterschied bei der Übertragung zwischen Regionen mit minimalen lokalen Daten nahezu schließen.

Dieses Ergebnis liefert einen skalierbaren, theoretisch fundierten Ersatz für Ensemble‑Varianz bei der kontinentalen Biomasse‑Kartierung und eröffnet neue Möglichkeiten für die effiziente Nutzung von GEDI‑Daten in der Umweltforschung.