多分位回归用于极端降水下采样
机器学习
2026-05-14 v1 人工智能
摘要
深度降水下采样网络在实现强大的整体技能方面取得佳绩，但系统性地低估驱动洪水风险的重尾事件。我们发现，主要障碍并非数据，而是损失函数：在强度加权平均绝对误差下，相同输入下的真实标签和合成标签被简单平均，这导致数据增强偏移预测的均值，而非条件分布。我们通过 Q-SRDRN（一种多分位超分辨网络），在 tau 取 0.50、0.95、0.99、0.999 时采用 pinball loss 进行训练来解决这一问题。两个 CNN 特有的设计选择使其实用：IncrementBound 在保持每个分位通道梯度恒等式的同时强制单调性，独立的分位输出头为 bulk 和 tail 检测提供独立的滤波器组。在此设计下，cVAE 生成的数据增强变得互补：中位数头吸收合成模式，而不污染上分位。经实验，在以对流/热带气旋为主的佛罗里达州，未增强的 Q-SRDRN P999 头检测到 2,111 个事件中有 1,598 个，200 mm/day 阈值下检测率从 4.2% 提升至 75.7%（相当于确定性基线的 18 倍），KL 发散降低 63%，RMSE 降低 3.9%。加入 cVAE 生成的样本后，P50 通道在 200 mm/day 阈值下检测数从 14 提升至 1,038。于加利福尼亚州（以大气河为主），该架构在 300 mm/day 通过率接近完美（P999 SEDI >= 0.996）。在德克萨斯州，基线仅检测到 10,720 个事件中的 2 个，而 P999 头检测到 8,776 个（占比 81.9%）。尽管 cVAE 无法跨区域迁移，但多分位回归在大尺度信号强烈的地方捕捉极端值，而数据增强在信号不强的地方救�助中位数。
引用
@article{arxiv.2605.12762,
title = {Multi-Quantile Regression for Extreme Precipitation Downscaling},
author = {Hamed Najafi and Gareth Lagerwall and Jayantha Obeysekera and Jason Liu},
journal= {arXiv preprint arXiv:2605.12762},
year = {2026}
}