观潮 · 模式预报与气象 AI 观察
土地利用重建基准：自回归 13 年少 5.7 到 7.2 个点，非自回归只少 2.2 到 2.8
> 地球系统模式里的土地利用边界条件通常是 0.25 度（约 31 公里）的粗网格，这个尺度不足以表达真实的土地覆盖异质性，而土地利用变化恰恰是陆地碳收支里最不确定的一块。这篇把 1 公里土地利用重建当成语义分割问题来做，并建立了配套的评测基准 TerraNostra-Bench。它的关键设计是两套口径：一套看全部像元，一套只看发生了变化的像元。两套口径给出相反的排名——全部像元上，照抄上一年的「滚动持续性」以 0.9947 的准确率碾压所有模型（因为 98% 的像元年际不变）；变化像元上它的准确率是 0。真正比的是学习型模型：自回归变体在变化像元上最强（AR U-Net 0.3931、AR Swin-ViT 0.3857），但 13 年滚动中掉了 5.7 到 7.2 个准确率点；非自回归变体整体更稳（只掉 2.2 到 2.8 个点）、总体准确率更高。作者明说这条权衡由「用不用自回归先验」决定，而不是由骨干网络决定。限制也很硬：所有指标衡量的是 HILDA+ 这个模式产品的一致性，不是与真实地表的吻合度。
缺的是哪一块
陆地碳循环是气候模拟中最不确定的分量之一，原因一部分在陆面表征不完善，一部分在地球系统模式本身的能力边界，尤其是空间分辨率和参数化。土地利用与土地覆盖变化驱动陆地碳储量的最大波动——森林转农田或牧场之后，能留住的碳只是森林的一小部分。
粗分辨率或过时的土地边界数据会严重歪曲陆气交换。已有研究表明，粗的土地覆盖分辨率会给模拟的陆地碳汇引入可观偏差，影响其量级、年际变率和空间分布。
现有数据集各有短板：空间分辨率、时间覆盖（历史还是未来）、逻辑连续性，总有一项不够。于是作者的做法是：用静态地球物理特征加动态社会与物理指标，把地球系统模式惯用的低分辨率土地利用强迫（LUH2 系列）降尺度到 1 公里。
但这里有一个更基础的问题：没有统一的评测面。现有高分辨率土地利用研究各用各的空间划分、目标分类体系和指标，无法直接比较，甚至看不出学习型模型是否真的赢过了「照抄上一年」这种平凡基线。已有的遥感基准也不是同一个设定——EuroSAT、BigEarthNet 是静态单图土地覆盖分类；DynamicEarthNet、PASTIS 是短时序、区域性的卫星影像时序分割；LandBench 面向连续陆面变量。都不是「全球 1 公里、多年滚动」这个任务。
基准怎么搭的
任务形式。把粗分辨率的动态强迫与高分辨率静态先验融合，输出 1 公里的土地利用图。作者刻意把它写成语义分割，而不是回归。
目标变量。用 HILDA+：它本身是把 FAO 国别统计与细尺度空间驱动因子用随机森林融合出来的 1 公里全球土地利用产品，年际记录从 1960 年起。原方案分 13 类，其中 5 类是森林亚型（按叶型与物候分常绿/落叶、针叶/阔叶）。作者的粗预测因子不携带区分这些形态物候的信息，于是把 5 类森林合并成 1 类，得到 7 个类别，另加 1 个海洋标签：
编号 · 类别 · 编号 · 类别
1 · 城镇 · 5 · 草地/灌丛
2 · 农田 · 6 · 其他土地
3 · 牧场 · 7 · 水体
4 · 森林 · 8 · 海洋
预测因子分三组：
组 · 变量 · 分辨率/来源
动态气候与人为强迫 · LUH2 的 12 个土地利用分数状态量 + 2 个次生植被参数（平均年龄、生物量） · 0.25°（约 31 公里）
同上 · Köppen-Geiger 气候分类 · 1 公里
同上 · ISIMIP2b 人口 · 1 公里
静态地球物理 · 高程、水深，及派生的坡度、坡向（GEBCO 2024） · 1 公里
静态地球物理 · 土壤黏土、砂、有机质含量（PNNL 全球数据集） · 1 公里
土壤原始产品给了 6 层和 10 层两种垂直离散，作者用 6 层版本，按深度加权压成单层二维场，每种属性只进一个通道。
时间划分。监督期 1960—2000，主评测期 2001—2014，全部落在卫星时代的气候强迫与土地利用轨迹分布内。2015—2019 不使用。
比什么。U-Net（卷积）与 Swin-ViT（Transformer）各做自回归与非自回归两个版本，共四个学习型模型；再加三个基线：滚动持续性（照抄上一年）、冻结持续性（照抄 2000 年）、线性模型、浅层 CNN。所有指标取五个随机种子的均值，种子间标准差在每个聚合指标上都低于千分之一量级。
结果：两个口径给出相反的排名
总体口径 vs 变化口径（2001—2014 平均）：
模型 · 总体 Acc · 总体 mIoU · 变化 Acc · 变化 mIoU
滚动持续性 · **0.9947** · **0.9890** · 0.0000 · 0.0000
冻结持续性 · 0.9704 · 0.9419 · 0.1630 · 0.0883
线性 · 0.8058 · 0.3988 · 0.3510 · 0.1458
浅层 CNN · 0.8193 · 0.4879 · 0.3603 · 0.1466
AR U-Net · 0.8072 · 0.4218 · **0.3931** · 0.1661
non-AR U-Net · 0.8399 · 0.5276 · 0.3506 · 0.1425
AR Swin-ViT · 0.7923 · 0.4417 · 0.3857 · **0.1728**
non-AR Swin-ViT · 0.8455 · **0.5264** · 0.3648 · 0.1551
这张表最关键的一点是：滚动持续性在总体口径上几乎不可战胜（0.9947），但它在变化口径上按构造恰好为 0——因为它把上一年的观测图当输入，只能在最后一个观测年之后推一年，根本做不了到 2100 年的多年预估。冻结持续性的 0.1630 也不代表预报技巧，而是「有多少变化事件其实是回退到 2000 年状态」这个数据属性。
自回归与非自回归的分工也很清楚：AR 变体拿到最高的变化准确率，非 AR 变体拿到最高的总体准确率与 mIoU。作者强调这是训练目标不同造成的，不是方案本身的高下——AR 模型用变化加权目标训练，一半损失预算花在稀有的转换像元上；非 AR 模型拿不到可对照的先验，训练是纯重建。把 AR 模型改用纯重建目标后，它们的总体准确率反而超过了所有非 AR 变体，说明自回归先验是更有信息量的输入，表格里的总体劣势只是选定的工作点。
13 年滚动的衰减（总体准确率）：
模型 · 第 0 年 · 第 13 年 · 变化
non-AR Swin-ViT · **0.8597** · **0.8314** · −0.028
non-AR U-Net · 0.8503 · 0.8280 · **−0.022**
AR U-Net · 0.8476 · 0.7903 · −0.057
AR Swin-ViT · 0.8421 · 0.7701 · −0.072
浅层 CNN · 0.8323 · 0.8073 · −0.025
线性 · 0.8105 · 0.8004 · −0.010
换成论文摘要里的说法：自回归模型在 13 年里损失 5.7 到 7.2 个准确率点，非自回归只损失 2.2 到 2.8 个点。
特征消融揭示了「替代」而不是「叠加」。这一点是全文最有意思的机制发现：
移除的输入 · 自回归模型损失变化 · 非自回归模型损失变化
自回归先验（上年图） · +16.74% · 不适用
Köppen 气候分类 · +4.77% · **+95.65%**
全部 LUH2 特征 · −0.53% · +26.77%
全部静态特征 · −2.79% · +29.79%
读法是：有先验时，把整套 LUH2 或整套静态驱动拿掉，损失基本不变（甚至略降）；没有先验时，这些驱动立刻变成必需品。所以自回归模型学会了依赖一个自生成的信号——它在滚动中累积误差；非自回归模型则始终锚定在外部驱动上。
逐类 IoU 暴露了短板（5 种子、2001—2014 平均）：
类别 · AR U-Net · non-AR U-Net · AR Swin-ViT · non-AR Swin-ViT
城镇 · 0.1864 · 0.2068 · 0.1994 · 0.2043
农田 · 0.5687 · 0.6410 · 0.6159 · 0.6381
牧场 · 0.4785 · 0.5401 · 0.4676 · **0.5668**
森林 · 0.6760 · 0.7186 · 0.6512 · **0.7255**
草地/灌丛 · 0.2376 · 0.3605 · **0.3843** · 0.3568
其他土地 · 0.7447 · 0.7430 · 0.5581 · **0.7763**
水体 · 0.0609 · **0.4829** · 0.2154 · 0.4171
非自回归模型在 7 类中的 6 类领先。AR 的水体崩到 0.0609，原因是粗强迫里根本没有任何开阔水体的预测因子，这一类完全依赖一个在滚动中不断退化的先验。
两个可调旋钮，能把权衡点挪动。一个在推理时：对每个像元设一个信任阈值，只有当模型给出「改变」的概率超过阈值时才采纳模型的预测，否则沿用先验类别。阈值从 0.70 扫到 0.95 不需要重训。另一个在训练时：调节整体重建损失与变化损失的相对权重（α 从 0 扫到 1）。两条路径刻画出的前沿重叠但不完全重合，作者说推理侧那一条基本与架构无关——换个骨干网络，曲线的形状差不多。
短窗外推（5 年均值）：
模型 · 向后 1955—1959 总体 · 向后 变化 · 向前 2015—2019 总体 · 向前 变化
non-AR Swin-ViT · **0.8583** · 0.3312 · **0.8303** · 0.4131
non-AR U-Net · 0.8425 · **0.3559** · 0.8259 · 0.3923
浅层 CNN · 0.8280 · 0.2987 · 0.8082 · 0.4188
AR U-Net · 0.8246 · 0.3207 · 0.8140 · 0.4212
AR Swin-ViT · 0.8130 · 0.3010 · 0.8032 · **0.4452**
线性 · 0.8072 · 0.3361 · 0.7993 · 0.3663
自回归与非自回归的差别在训练窗之外同样复现：AR 变体在前后两个方向都漂移，非 AR 保持平稳。作者认为这证明该权衡是设计本身的属性，不是 2001—2014 这个测试窗的偶然。
空间交叉验证把标准划分的乐观度暴露出来。用空间五折（把全球按 40×40 的宏单元分五折）复测，非自回归 U-Net 的折平均总体准确率是 0.778±0.016，而标准划分下是 0.846±0.001；变化 F1 从 0.259 升到 0.298±0.016——分类别指标在空间外推下反而略好，总体准确率则明显下降。
原文图
上为静态预测因子（1 公里高程/坡度/坡向，1 公里有机质/黏土/砂），中为动态预测因子：历史段用 ISIMIP2b 人口（5 公里）、Köppen-Geiger（1 公里）、LUH2（0.25 度）；未来段按 SSP2-4.5、SSP3-7.0、SSP4-6.0 三条路径给强迫。时间轴从 1850 到 2100，训练/验证用 HILDA+ 1960—2000，留出测试 2001—2014，2015—2019 未使用。
左侧两叠分别是动态特征与静态特征，送入模型后输出 1 公里的土地利用预测（右下）。图下方是「先验目标」：上一年的 HILDA+ 观测图经随机掩膜后作为先验输入——这一步是自回归与非自回归两种方案的分水岭。
总体准确率随年份的变化。中间空白段是训练窗 1960—2000，右侧灰底为窗内测试 2001—2014，最右粉底为 SSP2-4.5 强迫下的向前外推 2015—2019，最左粉底为向后外推 1955—1959。两条自回归曲线（红、橙）在窗内持续下滑，两条非自回归曲线（蓝、青）几乎持平；向后外推时自回归曲线从低位往上爬，说明它们正在从锚点修正回训练分布。
作者承认的限制
- 指标衡量的是与「模式产品」的一致性，不是与真实地表的吻合度。HILDA+ 本身是随机森林融合出来的建模产品，所以论文里的所有分数都是与 HILDA+ 的一致度上界，不是与真实土地覆盖的一致度。这一条作者写得毫不含糊。
- 变化像元的准确率仍然很低。即使最好的模型也只把约三分之一的变化像元分对（0.35—0.39）。作者把这列为明确的改进方向：把任务拆成「变化检测器 + 类别分配器」两步。
- 多年代际外推无法验证。真正有意义的 1850 年回溯与 2100 年预估，超出了能与真值比对的范围，作者把它列为后续工作。本文的两个外推窗各只有 5 年，且每年只有 0.2% 的像元发生变化；三个 SSP 强迫在 5 年尺度上几乎不分化（差异在 0.001 以内），所以向前外推检验的是「离训练期有多远」，而不是「情景选择的影响」。
- 单年任务与滚动任务不可直接比。前一版工作（单年重建）在推理时拿到的是真实的相邻年份观测图，滚动任务在初始锚点之后就拿不到了，两者的绝对分数不能并列。
- 稀有与碎片化类别对所有模型都难：城镇、草地/灌丛的 IoU 只有 0.19—0.38。
- 高分辨率本身不是万能药。作者明确写：高分辨率陆面强迫是减少碳、水、能量通量不确定性的必要条件，但不充分——即使地表解析到 1 公里，偏差依然存在，通量还取决于宿主陆面方案怎么表示每一类。
一句话判断
这篇的真正贡献不是又训了一个降尺度模型，而是把「怎么评」这件事钉死了：只有变化口径才能分辨出模型是真有技巧还是在抄上一年的图，而在这个口径下所有模型都只分对约三分之一的变化像元——换句话说，1 公里土地利用重建目前还在及格线附近，自回归与非自回归之争只是在这条及格线上选一个工作点。