KNOU-Flood：利用预见期感知的概率机器学习推进全球径流预测

arXiv:2610.20640v1 公告类型：新 摘要：全球径流预测有助于做好洪水防灾准备，但使用再分析资料训练的数据驱动模型在由业务预报驱动时预测能力会下降，而且预见期越长，下降越明显。AIFL通过两阶段迁移学习方案和确定性LSTM应对这一变化，但它将一个预报预见期输入整个输入窗口，且不提供不确定性。我们探讨在不改变其循环核心的情况下，这一开放方案还能扩展到何种程度。KNOU-Flood保留单层LSTM和两阶段训练，仅改变其周围的信息：采用更长的输入窗口（424天）、预见期感知的预报输入、将GraphCast作为ECMWF HRES之外的第二个预报源，以及使用fair CRPS训练的潜在噪声集成模型。我们在完全相同的数据、站点、数据划分和指标下，与AIFL方案的重新实现版本进行比较（其代码并未公开）。我们的贡献有三点。第一，在三个随机种子和2,099个测试流域（2021—2023年）上，KNOU-Flood在LT1和LT10的中位数KGE'分别达到0.65和0.48，而对比值为0.62和0.34；在两种评分方案下，十个预见期均取得显著提升，相较于1024单元基线以及留出流域上的结果也是如此（每项使用一个随机种子）。第二，在权重完全相同的情况下，根据预报输入方式不同，LT10的KGE'为0.18或0.34，这表明AIFL所报告的许多预见期衰减其实源于输入协议的影响；概率预测头贡献了最大增益，其次是原始GraphCast通道、更长的输入窗口和混合微调。第三，与基线模型的概率版本相比，这些集成模型取得了更低的CRPS；结合推理时dropout后，模型的校准性近乎理想，并且对1.5年和2年洪水的识别优于所有基线。对于更罕见洪水的收益取决于随机种子，而探索性的尾部加权变体能够改善对10年及以上事件的预测。KNOU-Flood是对一个开放方案的受控扩展，而不是一种全新的架构。