AI与世界难题 · 地球与气候科学 · arXiv · 2026-10-21
TerraNostra-Bench：面向全球1公里土地利用重建的空间降尺度与时序滚动推演基准测试
原标题: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
陆地碳循环的不确定性制约着气候预测,部分原因在于地球系统模式对陆面过程的刻画并不完善。作者提出了一个数据驱动框架,把高分辨率土地利用重建视为语义分割,将粗分辨率情景数据和气候分类与静态地球物理特征相结合,以生成 1 km 分辨率的年度土地利用图;并引入 TerraNostra-Bench,它将空间降尺度与自回归时间推演分离开来,并在稀有的土地利用变化像素上为模型评分。将 U-Net 和 Swin 骨干与持续性、线性以及浅层卷积基线进行比较表明,自回归先验是信息量最大的输入,却会累积误差:自回归模型在 13 年间损失 5.7–7.2 个准确率点,而非自回归模型为 2.2–2.8 个;这一权衡源自自回归这一选择而非骨干网络,可以在不重新训练的情况下,通过推理时的先验信任阈值和训练时的目标加权加以调节;在外推至 1955–1959 年和 2015–2019 年时该权衡依然存在,而校准最多可挽回 10 个准确率点。