AI 與世界的難題 · 地球與氣候科學 · arXiv · 2026-10-21
TerraNostra-Bench：針對全球 1 公里土地利用重建之空間降尺度與時間滾動推演的基準測試
原標題: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
陸地碳循環的不確定性限制了氣候推估，部分原因在於地球系統模式對陸地表層過程的呈現並不完善。作者提出一個資料驅動的框架，將高解析度土地利用重建視為語意分割，結合粗解析度情境資料、氣候分類與靜態地球物理特徵，以產製 1 km 解析度的年度土地利用圖，並推出 TerraNostra-Bench，將空間降尺度與自我迴歸的時間推進分開，並針對罕見的土地利用變遷像素為模型評分。將 U-Net 與 Swin 骨幹與持續性、線性及淺層卷積基線相比較的結果顯示，自我迴歸先驗是資訊量最高的輸入，卻會累積誤差：自我迴歸模型在 13 年間損失 5.7–7.2 個準確度百分點，而非自我迴歸模型為 2.2–2.8 個百分點；此權衡源自採用自我迴歸與否的選擇，而非骨幹網路，且可透過推論階段的先驗信任閾值與訓練階段的目標函數加權，在無需重新訓練的情況下進行調整，並在外推至 1955–1959 與 2015–2019 時依然存在，校準最多可挽回 10 個準確度百分點。