AI এবং বিশ্বের কঠিন সমস্যাগুলো · পৃথিবী ও জলবায়ু বিজ্ঞান · arXiv · 2026-10-21

TerraNostra-Bench: গ্লোবাল 1-km ল্যান্ড-ইউজ পুনর্গঠনের জন্য স্পেশাল ডাউনস্কেলিং ও টেম্পোরাল রোলআউট বেঞ্চমার্কিং

মূল শিরোনাম: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction

স্থলজ কার্বন চক্রের অনিশ্চয়তা জলবায়ু প্রক্ষেপণকে সীমাবদ্ধ করে, আংশিকভাবে কারণ আর্থ সিস্টেম মডেলগুলিতে ভূমি-পৃষ্ঠের প্রক্রিয়াগুলি অপূর্ণভাবে উপস্থাপিত হয়। গবেষকেরা একটি ডেটা-চালিত ফ্রেমওয়ার্ক প্রস্তাব করেছেন যা উচ্চ-রেজোলিউশন ল্যান্ড-ইউজ পুনর্গঠনকে সেমান্টিক সেগমেন্টেশন হিসেবে গণ্য করে, মোটা-রেজোলিউশনের সিনারিও ডেটা ও জলবায়ু শ্রেণিবিন্যাসকে স্থির জিওফিজিক্যাল বৈশিষ্ট্যের সঙ্গে একত্রিত করে 1 km রেজোলিউশনে বার্ষিক ল্যান্ড-ইউজ ম্যাপ তৈরি করে, এবং TerraNostra-Bench পরিচয় করিয়ে দেয়, যা স্প্যাশিয়াল ডাউনস্কেলিংকে অটোরিগ্রেসিভ টেম্পোরাল রোলআউট থেকে আলাদা করে এবং বিরল ল্যান্ড-ইউজ-পরিবর্তন পিক্সেলের ওপর মডেলগুলিকে স্কোর করে। U-Net ও Swin ব্যাকবোনকে persistence, linear ও শ্যালো কনভোলিউশনাল বেসলাইনের সঙ্গে তুলনা করা দেখায় যে অটোরিগ্রেসিভ প্রায়োরই সবচেয়ে তথ্যপূর্ণ ইনপুট, তবু তা ত্রুটি জমা করে; 13 বছরে অটোরিগ্রেসিভ মডেলগুলি 5.7–7.2 অ্যাকুরেসি পয়েন্ট হারায়, যেখানে নন-অটোরিগ্রেসিভগুলির ক্ষেত্রে তা 2.2–2.8; এই ট্রেড-অফ ব্যাকবোনের বদলে অটোরিগ্রেসিভ পছন্দ থেকেই উদ্ভূত, ইনফারেন্স-টাইমের prior-trust থ্রেশহোল্ড ও ট্রেনিং-টাইম অবজেক্টিভ ওয়েটিংয়ের মাধ্যমে পুনঃপ্রশিক্ষণ ছাড়াই এটি টিউন করা যায়, এবং 1955–1959 ও 2015–2019-তে এক্সট্রাপোলেট করলেও তা বজায় থাকে, যেখানে ক্যালিব্রেশন সর্বোচ্চ 10 অ্যাকুরেসি পয়েন্ট পুনরুদ্ধার করে।

মূল লেখা পড়ুন ↗

সব আইটেম →