AI dan Masalah-Masalah Sulit Dunia · Ilmu bumi & iklim · arXiv · 2026-10-21
TerraNostra-Bench: Benchmarking Downscaling Spasial dan Rollout Temporal untuk Rekonstruksi Penggunaan Lahan Global 1-km
Judul asli: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
Ketidakpastian dalam siklus karbon terestrial membatasi proyeksi iklim, sebagian karena proses permukaan daratan tidak terrepresentasi dengan sempurna dalam model sistem Bumi. Para penulis mengusulkan kerangka kerja berbasis data yang memperlakukan rekonstruksi penggunaan lahan beresolusi tinggi sebagai segmentasi semantik, menggabungkan data skenario beresolusi kasar dan klasifikasi iklim dengan fitur geofisik statis untuk menghasilkan peta penggunaan lahan tahunan beresolusi 1 km, serta memperkenalkan TerraNostra-Bench, yang memisahkan downscaling spasial dari rollout temporal autoregresif dan menilai model pada piksel perubahan penggunaan lahan yang jarang. Perbandingan backbone U-Net dan Swin terhadap baseline persistensi, linier, dan konvolusional dangkal menunjukkan bahwa prior autoregresif adalah masukan yang paling informatif namun menumpuk galat, dengan model autoregresif kehilangan 5.7–7.2 poin akurasi selama 13 tahun dibandingkan 2.2–2.8 untuk model non-autoregresif; trade-off ini berasal dari pilihan autoregresif alih-alih dari backbone, dapat disetel tanpa pelatihan ulang melalui ambang kepercayaan prior pada saat inferensi dan pembobotan objektif pada saat pelatihan, dan bertahan saat mengekstrapolasi ke 1955–1959 dan 2015–2019, dengan kalibrasi memulihkan hingga 10 poin akurasi.