論文の概要: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
- arxiv url: http://arxiv.org/abs/2610.27793v1
- Date: Tue, 20 Oct 2026 07:55:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.705598
- Title: TerraNostra-Bench: Benchmarking Spatial Downscaling and Temporal Rollout for Global 1-km Land-Use Reconstruction
- Title（参考訳）: TerraNostra-Bench:グローバル1km土地利用再建のための空間ダウンスケーリングと時間ロールアウトのベンチマーク
- Abstract要約: 地球の炭素循環の不確かさは、地球系モデルにおける不完全な陸面表現のために、気候予測において大きな制約となっている。
セマンティックセグメンテーションタスクとして扱われる高解像度土地利用再建のためのデータ駆動型フレームワークを提案する。
本稿では,自己回帰的時間ロールアウトから空間ダウンスケーリングを分離する変更対応評価プロトコルTerraNostra-Benchを紹介する。
- 参考スコア（独自算出の注目度）: 1.6815267089080639
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty in the terrestrial carbon cycle remains a major constraint in climate projections, partly due to imperfect land surface representations in Earth system models. We propose a data-driven framework for high-resolution land-use reconstruction, treated as a semantic-segmentation task, that combines coarse-resolution scenario data and climate classification with static geophysical features to produce annual land-use maps at 1 km resolution. We introduce TerraNostra-Bench, a change-aware evaluation protocol that separates spatial downscaling from autoregressive temporal rollout and scores models on the rare land-use-change pixels rather than the dominant static background. Using it, we compare convolutional (U-Net) and transformer (Swin) backbones in autoregressive and non-autoregressive schemes against persistence, linear, and shallow convolutional baselines. The autoregressive prior is the most informative input yet accumulates error over long rollouts: autoregressive models lose 5.7-7.2 accuracy points over 13 years, against 2.2-2.8 for non-autoregressive models. This trade-off is governed by the autoregressive choice rather than the backbone. It can be tuned by an inference-time prior-trust threshold that requires no retraining and by the training-time weighting of reconstruction and change objectives; the two levers trace complementary frontiers, with calibration recovering up to 10 accuracy points while keeping change sensitivity above the persistence floor. Extrapolating beyond the training window, backward to 1955-1959 and forward to 2015-2019 under scenario forcing, the models retain most of their in-window skill and show the same trade-off, indicating it is intrinsic to the design. This work provides the methodological foundation and evaluation surface for a forthcoming temporally continuous land-use product.
- Abstract（参考訳）: 地球の炭素循環の不確かさは、地球系モデルにおける不完全な陸面表現のために、気候予測において大きな制約となっている。
本研究では,大局的なシナリオデータと気候分類とを組み合わせ,1kmの解像度で年次土地利用地図を作成する,高解像度土地利用再建のためのデータ駆動型フレームワークを提案する。
本研究では,空間的ダウンスケーリングを自己回帰的時間的ロールアウトから分離する変更対応評価プロトコルTerraNostra-Benchを紹介する。
これを用いて、永続性、線形性、浅い畳み込みベースラインに対する自己回帰的および非自己回帰的スキームにおいて、畳み込み(U-Net)とトランスフォーマー(Swin)のバックボーンを比較する。
自己回帰モデルは、非自己回帰モデルでは2.2-2.8に対して、13年間で5.7-7.2の精度ポイントを失う。
このトレードオフは、バックボーンよりも自己回帰的な選択によって管理される。
2つのレバーは相補的なフロンティアを辿り、キャリブレーションが最大10の精度ポイントを回復し、持続床の上の変更感度を維持しながら、再トレーニングを必要とせず、再構成および変更目標のトレーニング時間重み付けによって調整することができる。
訓練窓の外に外挿し、1955-1959年、シナリオ強制下の2015-2019年を遡ると、これらのモデルはウィンドウのスキルの大半を保持し、同じトレードオフを示しており、設計に固有のものであることを示している。
本研究は,今後の時間的連続的な土地利用製品に対する方法論的基礎と評価面を提供する。
関連論文リスト
- BAT3R: Robust Online 3D Reconstruction with Bayesian Adaptive State Updates [52.8467026754905]
ストリーム3D再構成はこのボトルネックに対処する。
2つの相乗的加群からなる学習自由ベイズ適応フレームワークであるBAT3Rを紹介する。
BAT3Rは、最先端のオンライン3D再構成方法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-10-12T07:47:47Z) - Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。
擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。
本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
論文 参考訳（メタデータ） (2026-07-08T18:23:48Z) - Scalable Deep Learning Framework for Global High-Resolution Land Use Reconstruction [1.6329256865831512]
地球の炭素循環の不確かさは、気候予測において大きな制約となっている。
データ駆動型フレームワークAI4Landを提案する。
本研究は, 地表面の現実的・進化的条件をオンデマンドで提供することにより, 臨界不確実性を低減し, 次世代気候シミュレーションの予測能力を向上させることを目的とする。
論文 参考訳（メタデータ） (2026-06-10T08:26:05Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Attention-based Multi-modal Deep Learning Model of Spatio-temporal Crop Yield Prediction with Satellite, Soil and Climate Data [2.416907802598482]
本稿では,ABMF(Attention Based Multi-Modal Deep Learning Framework)を提案する。
提案された研究はR2スコアが0.89であり、ベースラインモデルよりもはるかに優れている。
論文 参考訳（メタデータ） (2026-04-21T08:23:50Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions [8.261844935991348]
伝統的なインパクトモデルは、限られた観測と概念の漂流のために空間的な一般化に苦しむ。
ランドスケープインタラクションを中心とした地層モデルであるStefaLandを紹介した。
我々の知る限り、これは地表面相互作用予測を実証的に改善する最初の地表面基盤モデルである。
論文 参考訳（メタデータ） (2025-09-22T16:05:45Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。