L'IA face aux grands problèmes du monde · Sciences de la Terre et du climat · arXiv · 2026-10-20
Des chaînes de données biaisées vers l'humide faussent l'entraînement et l'évaluation de la prévision immédiate générative des précipitations
Titre original: Wet-Biased Data Pipelines Mislead the Training and Evaluation of Generative Precipitation Nowcasting
Les modèles génératifs de prévision immédiate des précipitations sont généralement entraînés et évalués sur des jeux de données biaisés vers les situations pluvieuses, et des cas de test sélectionnés à partir des observations cibles peuvent modifier la distribution apprise par le modèle. Les auteurs montrent analytiquement que ce biais d'échantillonnage peut masquer le biais d'entraînement. À l'aide d'un modèle de diffusion satellite-radar fixe, ils montrent que l'évaluation de la calibration peut s'inverser selon le jeu de test : le modèle semble sous-prédictif sur un jeu de test biaisé vers les situations pluvieuses et sur-prédictif sur un jeu représentatif du déploiement.