KNOU-Flood：通过领先感知概率机器学习推进全球水流预测

arXiv:2610.20640v1 公告类型：新 摘要：全球径流预测支持洪水防备，但经过再分析训练的数据驱动模型在受业务预测驱动时会丧失技能，随着交付时间的增加，这种情况越来越严重。 AIFL 通过两阶段迁移学习方法和确定性 LSTM 来解决这一转变，但它将一个预测提前期输入到整个输入窗口中，并且不提供任何不确定性。我们询问这个开放配方在不改变其循环核心的情况下可以扩展多远。 KNOU-Flood 保留单层 LSTM 和两阶段训练，并更改其周围的信息：更长的输入窗口（424 天）、领先感知预测输入、GraphCast 作为 ECMWF HRES 旁边的第二个预测源，以及使用公平 CRPS 训练的潜在噪声集成。我们与在相同数据、站点、分割和指标下重新实现 AIFL 配方（其代码不公开）进行比较。我们的贡献是三重的。首先，在三个种子和 2,099 个测试流域（2021-2023 年）中，KNOU-Flood 在 LT1 时达到中位 KGE' 0.65，在 LT10 时达到 0.48，而在 LT10 时为 0.62 和 0.34，在两个评分协议下的所有 10 个交付周期中都取得了显着的收益，也相对于 1024 个单元的基线和保留流域（每个种子）。其次，相同的权重给出的 LT10 KGE' 为 0.18 或 0.34，具体取决于预测的输入方式，因此 AIFL 报告的交付周期衰减大部分是输入协议效应；概率头对增益的贡献最大，其次是原始 GraphCast 通道、较长的窗口和混合微调。第三，该集成的 CRPS 低于概率版本的基线，几乎通过推理时间 dropout 进行校准，并且比所有基线更好地检测 1.5 年和 2 年洪水；罕见洪水的效益取决于种子，探索性尾部加权变体可以改善 10 年及更大的事件。 KNOU-Flood 是开放配方的受控扩展，而不是新架构。