지구 관측 (Earth observation)으로부터 산림 지상부 생물량 (AGB)을 추정하는 것은 구조적으로 호환되지 않는 두 가지 레이블 소스를 결합하는 작업입니다. 위성 탑재 라이다 (spaceborne lidar)는 수백만 개의 위치에서 캐노피 구조를 제공하지만 생물량 추정치는 제공하지 않으며, 지상 기반 조사구 (ground-based plots)는 편향된 수천 개의 위치에서 생물량을 제공하지만 구조적 지표는 제공하지 않습니다. 단일 훈련 샘플이 모든 대상 변수에 대한 레이블을 모두 가지고 있지 않으며, 조사구 레이블은 무작위가 아닌 방식으로 누락되어 있고 (MNAR), 생물량은 알려져 있지만 생물군계 (biome)마다 다른 상관관계 법칙 (allometric laws)에 의해 구조적 변수와 연결되어 있습니다. 우리는 이를 MNAR 레이블과 태스크 간 물리적 제약 조건이 있는 이질적이고 비연결적인 부분 감독 (heterogeneous disjoint partial supervision) 하에서의 멀티태스크 밀집 회귀 (multi-task dense regression)로 공식화하고, 이를 공동으로 해결하기 위한 StruMPL을 제안합니다. 공유 인코더 (shared encoder)는 변수별 회귀 (regression), 공간적 MNAR 보정을 위한 임퓨테이션 (imputation) 및 성향 (propensity) 헤드, 그리고 매 픽셀마다 모델 자체의 예측에 대한 태스크 간 제약 조건을 평가하는 학습 가능한 물리 모듈 (learnable physics module)에 데이터를 공급합니다. 지도 학습 손실 (supervised loss)은 성향 (propensity)과 임퓨테이션 베이스라인 (imputation baseline)에 그래디언트 정지 (stop-gradients)를 적용한 증강된 IPW (AIPW) 의사 결과 (pseudo-outcome)를 사용합니다. 우리는 손실을 유계 (bounded)로 유지하면서 IPW 가중 정지점 (IPW-weighted stationary points)을 회복하기 위한 공동 최적화를 위해 두 가지 모두가 필요함을 분석적 및 경험적으로 보여줍니다. 생태학적으로 구별되는 두 생물군계에서 StruMPL은 AGB RMSE 및 편향 (bias) 측면에서 절제 연구 (ablation) 변형 모델들과 가장 유사한 기존 발표 방법보다 우수한 성능을 보였으며, 층화 분석 (stratified analysis) 결과 AIPW가 높은 AGB 편향을 약 54% 감소시킴을 확인했습니다.