Cross-Causal CarbonFormer: 因果的時空間フレームワークによる森林炭素密度推定の再考

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Offers a novel causal spatiotemporal approach for carbon density estimation that outperforms standard CNNs and generalizes across biomes without retraining.

🏢実務担当者:Can be used for high-accuracy forest carbon mapping and monitoring, especially for fragmented landscapes and trees outside forests, supporting carbon project validation.

🏛政策担当者:Provides evidence that trees outside forests contribute nearly half of landscape carbon, informing more inclusive carbon accounting in national inventories and climate mitigation strategies.

森林地上部炭素密度（ACD）の推定は、生態系の炭素循環を特徴づけ、気候緩和戦略を支援するために不可欠である。優れた局所的文脈モデリング能力により、畳み込みニューラルネットワーク（CNN）はリモートセンシングに基づく炭素マッピングのための強力な特徴抽出器として登場した。しかし、CNNは、固有のバックボーン限界により、複数年にわたる炭素軌跡の複雑な因果的時系列属性や、断片化した景観の構造的不均一性を表現できないことが多い。この目的のため、我々はACD推定を因果的時空間的観点から再考し、CarbonFormerを提案する。CarbonFormerはまた、因果的時系列順序を明示的に保持する積層LSTM（long short-term memory）ベースの時間的因果デコーダを採用しており、これは10年間の観測期間（2015年～2024年）にわたる連続的な植生動態に対する物理的に意味のある制約である。静的な生物物理学的表現に加えて、CarbonFormerは、マルチスペクトル、地形、およびGlobal Ecosystem Dynamics Investigation LiDAR由来の構造的指標を適応的に融合するフュージョンアテンションモジュールを通じて、長期的な植生動態を共同で学習する。生態学的現実性を強化するため、我々は空間精度、経年軌跡の一貫性、および物理的な炭素成長制約を共同で最適化する新しいCross-Causal損失関数を定式化する。広範な実験により、標準的なベースライン手法に対する優位性が実証されている。一般化を評価するため、我々はCarbonFormerをブラジルのアマゾン盆地、ガボンのロペ国立公園、ロシアのシベリアという3つの保留された森林地域で評価し、対象領域の再学習なしでのクロスバイオーム転移可能性を確認した。さらなる分析により、密林が総炭素の51.4%を占める一方、森林外の樹木が景観スケールの炭素ストックの48.6%に寄与することが明らかになった。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Forest aboveground carbon density (ACD) estimation is essential for characterizing ecosystem carbon cycles and supporting climate mitigation strategies. Due to their excellent local contextual modeling ability, convolutional neural networks (CNNs) have emerged as powerful feature extractors for remote sensing-based carbon mapping. However, CNNs often fail to represent the complex causal sequence attributes of multiyear carbon trajectories and the structural heterogeneity of fragmented landscapes due to inherent backbone limitations. To this end, we rethink ACD estimation from a causal spatiotemporal perspective and propose CarbonFormer. CarbonFormer also employs a stacked long short-term memory-based temporal causal decoder that explicitly preserves causal temporal ordering; a physically meaningful constraint for sequential vegetation dynamics spanning decadal observation periods (2015–2024). Beyond static biophysical representations, CarbonFormer jointly learns long-term vegetation dynamics through a fusion attention module that adaptively fuses multispectral, topographic, and Global Ecosystem Dynamics Investigation LiDAR-derived structural metrics. To enforce ecological realism, we formulate a novel Cross-Causal Loss Function jointly optimizing spatial accuracy, interannual trajectory consistency, and a physical carbon growth constraint; Extensive experiments demonstrate superiority over standard baselines methods. To assess generalization, we evaluate CarbonFormer on three held-out forest regions: Amazon Basin, Brazil; Lopé NP, Gabon; and Siberia, Russia, confirming cross-biome transferability without target-domain retraining. Further analysis reveals that dense forests account for 51.4% of total carbon while trees outside forests contribute 48.6% to the landscape-scale carbon stock.

• semanticscholar https://doi.org/10.1109/jstars.2026.3695334first seen 2026-07-24 06:37:43 · last seen 2026-09-22 05:16:20