AI اور دنیا کے مشکل مسائل · ارضی اور موسمیاتی سائنس · arXiv · 2026-10-21

TerraNostra-Bench: عالمی 1-km اراضی-استعمال کی تعمیرِ نو کے لیے مقامی ڈاؤن اسکیلنگ اور زمانی رول آؤٹ کی بینچ مارکنگ

اصل عنوان: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction

خشکی کے کاربن سائیکل میں غیر یقینی صورتحال موسمیاتی پیش گوئیوں کو محدود کرتی ہے، جزوی طور پر اس لیے کہ زمینی سطح کے عمل کو Earth system models میں ناقص طور پر پیش کیا جاتا ہے۔ مصنفین ایک ڈیٹا سے چلنے والا فریم ورک تجویز کرتے ہیں جو اعلیٰ ریزولوشن لینڈ یوز تعمیر نو کو semantic segmentation کے طور پر سمجھتا ہے، coarse ریزولوشن سیناریو ڈیٹا اور موسمیاتی درجہ بندی کو ساکن جیو فزیکل خصلتوں کے ساتھ ملا کر 1 km ریزولوشن پر سالانہ لینڈ یوز نقشے تیار کرتا ہے، اور TerraNostra-Bench پیش کرتا ہے، جو spatial downscaling کو autoregressive temporal rollout سے الگ کرتا ہے اور ماڈلز کو نادر لینڈ یوز تبدیلی کے پکسلز پر سکور کرتا ہے۔ U-Net اور Swin backbones کا persistence، linear اور shallow convolutional بیس لائنز سے موازنہ بتاتا ہے کہ autoregressive prior سب سے زیادہ معلوماتی ان پٹ ہے مگر خرابی جمع کرتا ہے: autoregressive ماڈلز 13 سالوں میں 5.7–7.2 accuracy پوائنٹس کھو دیتے ہیں، جبکہ non-autoregressive ماڈلز کے لیے یہ رقم 2.2–2.8 ہے؛ یہ trade-off backbone کے بجائے autoregressive انتخاب سے پیدا ہوتا ہے، بغیر دوبارہ تربیت کے inference-time prior-trust threshold اور training-time objective weighting کے ذریعے اسے ٹیون کیا جا سکتا ہے، اور 1955–1959 اور 2015–2019 پر extrapollate کرنے پر بھی برقرار رہتا ہے، جہاں calibration 10 accuracy پوائنٹس تک بحال کر لیتی ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →