L'IA face aux grands problèmes du monde · Sciences de la Terre et du climat · arXiv · 2026-10-21
TerraNostra-Bench : benchmark du downscaling spatial et du rollout temporel pour la reconstruction de l'occupation des sols mondiale à 1 km
Titre original: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
L'incertitude entourant le cycle du carbone terrestre limite les projections climatiques, en partie parce que les processus de surface continentale sont représentés de manière imparfaite dans les modèles du système Terre. Les auteurs proposent un cadre piloté par les données qui traite la reconstruction à haute résolution de l'usage des sols comme une tâche de segmentation sémantique, en combinant des données de scénarios à basse résolution et une classification climatique avec des caractéristiques géophysiques statiques afin de produire des cartes annuelles de l'usage des sols à une résolution de 1 km, et introduisent TerraNostra-Bench, qui sépare la désagrégation spatiale du déploiement temporel autorégressif et évalue les modèles sur des pixels rares de changement d'usage des sols. La comparaison des backbones U-Net et Swin avec des lignes de base de persistance, linéaires et convolutives superficielles montre que l'a priori autorégressif est l'entrée la plus informative mais accumule l'erreur, les modèles autorégressifs perdant 5.7–7.2 points de précision sur 13 ans contre 2.2–2.8 pour les modèles non autorégressifs ; ce compromis provient du choix autorégressif plutôt que du backbone, peut être ajusté sans réentraînement grâce à un seuil de confiance dans l'a priori à l'inférence et à une pondération de l'objectif à l'entraînement, et persiste lors de l'extrapolation à 1955–1959 et 2015–2019, l'étalonnage permettant de récupérer jusqu'à 10 points de précision.