KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-20
Nasslastige Datenpipelines führen Training und Evaluation generativer Niederschlags-Nowcasting-Modelle in die Irre
Originaltitel: Wet-Biased Data Pipelines Mislead the Training and Evaluation of Generative Precipitation Nowcasting
Generative Niederschlags-Nowcasting-Modelle werden üblicherweise mit nassverzerrten Datensätzen trainiert und evaluiert, und auf Grundlage von Zielbeobachtungen ausgewählte Testfälle können die vom Modell gelernte Verteilung verschieben. Die Autoren zeigen analytisch, dass diese Stichprobenverzerrung eine Trainingsverzerrung verdecken kann. Anhand eines festen Satellit-zu-Radar-Diffusionsmodells zeigen sie, dass sich die Kalibrierungsbewertung je nach Testset umkehren kann: Das Modell erscheint auf einem nassverzerrten Testset unterprognostizierend und auf einem einsatzrepräsentativen überprognostizierend.