KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-21
TerraNostra-Bench: Benchmarking von räumlichem Downscaling und zeitlichem Rollout für die globale 1-km-Rekonstruktion der Landnutzung
Originaltitel: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
Unsicherheit im terrestrischen Kohlenstoffkreislauf schränkt Klimaprojektionen ein, teils weil Landoberflächenprozesse in Erdsystemmodellen unvollständig abgebildet werden. Die Autoren schlagen einen datengetriebenen Ansatz vor, der die hochauflösende Rekonstruktion der Landnutzung als semantische Segmentierung behandelt, grob aufgelöste Szenariodaten und Klimaklassifikation mit statischen geophysikalischen Merkmalen kombiniert, um jährliche Landnutzungskarten mit einer Auflösung von 1 km zu erzeugen, und führen TerraNostra-Bench ein, das räumliches Downscaling vom autoregressiven zeitlichen Rollout trennt und Modelle anhand seltener Pixel mit Landnutzungsänderung bewertet. Der Vergleich von U-Net- und Swin-Backbones mit Persistence-, linearen und flachen Convolutional-Baselines zeigt, dass der autoregressive Prior der informativste Input ist, jedoch Fehler akkumuliert, wobei autoregressive Modelle über 13 Jahre 5.7–7.2 Genauigkeitspunkte verlieren gegenüber 2.2–2.8 bei nicht-autoregressiven; der Trade-off ergibt sich aus der autoregressiven Wahl und nicht aus dem Backbone, lässt sich ohne Retraining über einen Prior-Vertrauensschwellenwert zur Inferenzzeit und eine Zielfunktionsgewichtung zur Trainingszeit justieren und besteht bei der Extrapolation auf 1955–1959 und 2015–2019 fort, wobei die Kalibrierung bis zu 10 Genauigkeitspunkte zurückgewinnt.