不训练也能预测森林碳:TabPFN-3.5在高排放情景下四项状态量误差最低
核心概要
过程型陆地生物圈模型能算全球碳收支,但计算代价限制了全球高分辨率与多情景模拟,专用深度模拟器又需要逐任务设计和训练。研究把生态系统人口学模型的40年预测改写为表格回归,用预训练的表格基础模型TabPFN-3.5以情境学习方式直接预测,不更新权重。在CarbonGlobe的50,779个测试站点上,它未训练即取得三者中最低的树高误差,土壤碳误差与DeepEDLSTM相差不到4%,但AGB、LAI和碳通量误差更大;在SSP5-8.5情景下,它是树高、AGB、土壤碳和LAI最准确的模型。
深度剖析
一个从未在任务上训练的表格基础模型,可以直接给出生态系统模型40年后的森林状态预测,在树高上比两个专门训练的深度模拟器更准。 此前的DeepED类模拟器需要为任务设计循环网络或Transformer结构,并逐任务训练和调参;TabPFN-3.5只把训练站点作为上下文放入模型,不更新任何权重。 在CarbonGlobe的整体评测中,模型只用均匀抽取的1/16站点训练,在其余50,779个站点上测试,TabPFN-3.5的树高误差为1.62米,DeepEDLSTM为1.67米,DeepEDTransformer为1.86米。
这种零训练路线并非全面占优:在AGB、叶面积指数和三个碳通量上,训练过的DeepEDLSTM更准。 TabPFN-3.5的土壤碳误差与DeepEDLSTM相差不到4%,但AGB误差高24%、LAI误差高23%,三个通量误差高40%至49%。 同一整体评测的七个输出变量上,DeepEDLSTM在七项中有六项最准,TabPFN-3.5只在树高一项领先。
把只用当代数据训练的模型放到未来气候情景下,误差普遍放大数倍,但高排放情景中TabPFN-3.5在四个状态量上最稳。 在六个大陆森林区域共1,858个站点上,2060年树高和AGB误差在SSP1-2.6下放大2至8倍、在SSP5-8.5下放大3至12倍;SSP5-8.5下TabPFN-3.5的AGB误差为2.7千克碳每平方米,不到DeepEDLSTM的6.5和DeepEDTransformer的6.2的一半。 这些站点都不在训练或验证划分内,模型只见过当代的1/16训练样本;SSP5-8.5下TabPFN-3.5在全部六个区域都取得最低AGB误差,而SSP1-2.6下没有模型全面最优。
启示与展望
评测限定在CarbonGlobe的ED v3.0模拟上:当代部分用1/16站点训练、其余50,779站点测试,未来部分用GFDL-ESM4驱动的SSP1-2.6与SSP5-8.5情景、六个区域共1,858个站点,且只比较第40年。
TabPFN-3.5在未来情景下的优势似乎来自对强迫变化反应很小,而非跟随ED:它预测的2060年生物量在两个情景下几乎相同,而ED在SSP5-8.5下更高;所有模型都低估了ED到2060年获得的生物量。未来测试只用一个地球系统模型和两个情景,同时改变了气候与强迫来源;TabPFN-3.5只看到各驱动40年均值,看不到事件顺序和最后一年天气。
