IA e os Problemas Difíceis do Mundo · Ciências da Terra e do clima · arXiv · 2026-10-21
TerraNostra-Bench: Benchmarking de Downscaling Espacial e Rollout Temporal para Reconstrução Global de Uso do Solo em 1 km
Título original: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
A incerteza no ciclo do carbono terrestre restringe as projeções climáticas, em parte porque os processos da superfície terrestre são representados de forma imperfeita nos modelos do sistema Terra. Os autores propõem um framework orientado por dados que trata a reconstrução do uso do solo em alta resolução como segmentação semântica, combinando dados de cenários de baixa resolução e classificação climática com características geofísicas estáticas para produzir mapas anuais de uso do solo em resolução de 1 km, e apresentam o TerraNostra-Bench, que separa o downscaling espacial do rollout temporal autorregressivo e avalia os modelos em pixels raros de mudança de uso do solo. A comparação dos backbones U-Net e Swin com linhas de base de persistência, lineares e convolucionais rasas mostra que o prior autorregressivo é a entrada mais informativa, porém acumula erro, com os modelos autorregressivos perdendo 5.7–7.2 pontos de acurácia em 13 anos, contra 2.2–2.8 para os não autorregressivos; o trade-off decorre da escolha autorregressiva e não do backbone, pode ser ajustado sem retreinamento por meio de um limiar de confiança no prior em tempo de inferência e de uma ponderação do objetivo em tempo de treinamento, e persiste ao extrapolar para 1955–1959 e 2015–2019, com a calibração recuperando até 10 pontos de acurácia.