GeoPrior-Mamba：以语言模型构建结构化碳交换过程先验

从稀疏卫星观测中重建高分辨率柱平均干燥空气 CO2 (XCO2) 场需要模型来推断仅受直接测量微弱约束的空间结构。现有的基于学习的方法通常将环境协变量视为普通的数值输入，因此必须主要从稀疏监督中学习异构源-汇关系。我们引入了 GeoPrior-Mamba，这是一个多向 Mamba 框架，增强了离线语言模型诱导的结构化流程先验。我们没有使用语言模型来预测 XCO2，而是在训练之前使用它来将生物圈吸收、生态系统呼吸和人为排放的相关过程知识组织到确定性的先验表中。这些先验使用地理、生态、排放相关和季节信息进行空间实例化，并通过轻量级知识适配器自适应地注入到重建主干中。使用 2018-2020 年的 OCO-2 观测结果，GeoPrior-Mamba 在保留观测中实现了 0.81 ppm 的 RMSE 和 0.93 的 R2，在相同的评估协议下，相对于 CAMS 背景插值，RMSE 降低了 48.2%，相对于 Trans-XCO2 降低了 3.1%。消融实验表明，知识先验分支的贡献可观，并且收敛速度比无知识的 Mamba 主干网快得多。独立的 TCCON 评估进一步支持重建场与地面柱 CO2 测量的一致性。这些结果表明，当难以直接获得全局一致的过程响应表示时，语言模型可以提供构建结构化过程先验的实用机制，同时保持在数值预测循环之外。