Краткое содержание

arXiv:2511.11880v1 Тип объявления: новый Аннотация: Мониторинг пространственно-временной динамики поглощения CO$_2$ лесами (валовая первичная продукция, GPP) остается одной из ключевых задач в исследованиях наземных экосистем. Хотя башни турбулентной пульсации (Eddy Covariance, EC) предоставляют высокочастотные оценки, их ограниченное пространственное покрытие сдерживает оценки в крупных масштабах. Дистанционное зондирование предлагает масштабируемую альтернативу, однако большинство подходов полагаются на спектральные индексы одиночных сенсоров и статистические модели, которые часто не способны уловить сложную временную динамику GPP. Новейшие достижения в области глубокого обучения (DL) и слияния данных открывают новые возможности для лучшего представления временной динамики растительных процессов, но сравнительные оценки современных DL-моделей для мультимодального прогнозирования GPP остаются редкими. В данной работе мы исследуем производительность двух репрезентативных моделей для прогнозирования GPP: 1) GPT-2, архитектуры трансформер, и 2) Long Short-Term Memory (LSTM), рекуррентной нейронной сети, с использованием многомерных входных данных.