La IA y los problemas difíciles del mundo · Ciencias de la Tierra y del clima · arXiv · 2026-10-21
TerraNostra-Bench: evaluación comparativa del downscaling espacial y del rollout temporal para la reconstrucción global del uso del suelo a 1 km
Título original: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
La incertidumbre en el ciclo del carbono terrestre limita las proyecciones climáticas, en parte porque los procesos de la superficie terrestre están representados de manera imperfecta en los modelos del sistema Tierra. Los autores proponen un marco basado en datos que aborda la reconstrucción del uso del suelo en alta resolución como segmentación semántica, combinando datos de escenarios en resolución gruesa y clasificación climática con características geofísicas estáticas para producir mapas anuales de uso del suelo con resolución de 1 km, e introducen TerraNostra-Bench, que separa la reducción de escala espacial del despliegue temporal autorregresivo y evalúa los modelos en píxeles poco frecuentes de cambio de uso del suelo. Comparar los backbones U-Net y Swin con líneas base de persistencia, lineales y convolucionales someras muestra que el prior autorregresivo es la entrada más informativa pero acumula error: los modelos autorregresivos pierden 5.7–7.2 puntos de precisión a lo largo de 13 años frente a 2.2–2.8 de los no autorregresivos; este compromiso se debe a la elección autorregresiva y no al backbone, puede ajustarse sin reentrenamiento mediante un umbral de confianza en el prior en el momento de la inferencia y una ponderación de la función objetivo durante el entrenamiento, y persiste al extrapolar a 1955–1959 y 2015–2019, con la calibración recuperando hasta 10 puntos de precisión.