NASA‑GEDI: Präzise Biomasse‑Schätzung mit kalibrierter Unsicherheit

Um die durch Abholzung verursachten CO₂‑Emissionen genau zu verfolgen, braucht man Messungen der obengenauen Biomasse (AGBD) – sowohl räumlich als auch zeitlich kontinuierlich – mit einer verlässlichen Unsicherheitsangabe. Der NASA‑Global Ecosystem Dynamics Investigation (GEDI) liefert dafür hochpräzise LIDAR‑Daten, doch die unregelmäßige Orbitalabdeckung und gelegentliche Betriebsunterbrechungen, darunter ein 13‑monatiges Stillstandsintervall von März 2023 bis April 2024, hinterlassen große Lücken im Beobachtungsdatensatz.

Frühere Studien haben maschinelles Lernen eingesetzt, um räumliche Lücken mit satellitengestützten Merkmalen zu schließen. Die zeitliche Interpolation, insbesondere über aktive Störungsereignisse hinweg, blieb jedoch weitgehend unerforscht. Zudem zeigen herkömmliche Ensemble‑Methoden häufig systematisch unkalibrierte Vorhersageintervalle, was die Zuverlässigkeit der Ergebnisse beeinträchtigt.

Die neue Arbeit erweitert das Attentive Neural Process (ANP)-Framework, das zuvor erfolgreich für die räumliche Biomasse‑Interpolation genutzt wurde, auf spatiotemporale Daten mit sparsamen Beobachtungen. Durch die Einbindung von geospatialen Foundation‑Model‑Embeddings wird Raum und Zeit symmetrisch behandelt. Die Autoren validieren eine „Space‑for‑Time“-Substitution, bei der Beobachtungen aus benachbarten Standorten zu anderen Zeiten zur Vorhersage fehlender Zeiträume herangezogen werden.

Die Ergebnisse zeigen, dass das ANP‑Modell zuverlässig kalibrierte Unsicherheitsabschätzungen liefert – selbst in stark gestörten Regionen. Damit eröffnet sich ein robustes Werkzeug für Measurement, Reporting und Verification (MRV)-Anwendungen, die präzise Unsicherheitsquantifizierung erfordern, und trägt damit entscheidend zur globalen Klimaschutz‑Strategie bei.