尺度递归矫正流，用于少步降水集合预报

arXiv:2610.02611v1 公告类型：新 摘要：高分辨率降水估计有助于洪水风险评估和水资源管理，但粗分辨率卫星产品无法解析每个网格单元内的降雨。生成模型通过生成一组合理的高分辨率降雨场来解决这一不确定性。在这些模型中，矫正流通过迭代地将随机噪声转换为降雨场来生成样本。减少采样步数可以加快生成速度，但可能导致集合成员过于相似，从而低估不确定性。我们提出了一种尺度递归矫正流，先生成大尺度模式，再生成局地细节；同时，通过比较不同空间尺度上的集合变异性与预测误差，引导采样步数的分配。验证评分和降雨功率谱用于约束步数分配，以避免过度放大。在美国本土的卫星到雷达降尺度任务中，我们的分析发现，在采样预算减少的情况下，大尺度降雨模式是集合变异性不足的主要来源。在架构和计算成本固定的条件下，为粗尺度流分配更多步数，可以提高不同训练随机种子下的概率预测准确性和降雨检测能力。与使用更多步数的非递归流相比，所提出的模型还以更短的采样时间实现了更高的概率预测准确性。