ИИ и сложнейшие проблемы мира · Науки о Земле и климате · arXiv · 2026-10-21
TerraNostra-Bench: бенчмаркинг пространственного даунскейлинга и временных развёрток для глобальной реконструкции землепользования с разрешением 1 км
Оригинальное название: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
Неопределённость наземного углеродного цикла ограничивает климатические прогнозы, отчасти потому что процессы на поверхности суши несовершенно представлены в моделях системы Земля. Авторы предлагают управляемый данными фреймворк, который рассматривает реконструкцию землепользования в высоком разрешении как семантическую сегментацию, объединяя сценарные данные низкого разрешения и климатическую классификацию со статическими геофизическими признаками для создания годовых карт землепользования с разрешением 1 км, и представляют TerraNostra-Bench, который отделяет пространственный даунскейлинг от авторегрессионного временного развёртывания и оценивает модели на редких пикселях изменения землепользования. Сравнение бэкбонов U-Net и Swin с базовыми методами персистентности, линейным и неглубоким свёрточным показывает, что авторегрессионный приор является наиболее информативным входом, но при этом накапливает ошибку: авторегрессионные модели теряют 5.7–7.2 пункта точности за 13 лет против 2.2–2.8 у неавторегрессионных; этот компромисс обусловлен выбором авторегрессии, а не бэкбона, может настраиваться без переобучения через порог доверия к приору на этапе инференса и взвешивание целевой функции при обучении и сохраняется при экстраполяции на 1955–1959 и 2015–2019 годы, причём калибровка возвращает до 10 пунктов точности.