La IA y los problemas difíciles del mundo · Ciencias de la Tierra y del clima · arXiv · 2026-10-20
Los flujos de datos sesgados hacia lo húmedo inducen a error en el entrenamiento y la evaluación del nowcasting generativo de precipitación
Título original: Wet-Biased Data Pipelines Mislead the Training and Evaluation of Generative Precipitation Nowcasting
Los modelos generativos de nowcasting de precipitación suelen entrenarse y evaluarse con conjuntos de datos sesgados hacia lo húmedo, y los casos de prueba seleccionados a partir de las observaciones objetivo pueden alterar la distribución que aprende el modelo. Los autores demuestran analíticamente que este sesgo de muestreo puede ocultar el sesgo de entrenamiento. Usando un modelo de difusión fijo de satélite a radar, muestran que la evaluación de la calibración puede invertirse según el conjunto de prueba: el modelo parece subestimar en un conjunto de prueba sesgado hacia lo húmedo y sobrestimar en uno representativo del despliegue.