KNOU-Flood: Advancing global streamflow forecasting with lead-aware probabilistic machine learning

arXiv:2610.20640v1 公告类型：新

摘要：全球径流预报为洪水防范提供支持，但基于再分析数据训练的数据驱动模型在由业务预报驱动时会损失技巧，且随预见期延长损失愈发明显。AIFL 通过两阶段迁移学习方案和确定性 LSTM 应对这一转变，但它将单一预报预见期输入整个输入窗口，且不提供不确定性信息。我们探究在不改变其循环核心的前提下，这一开放方案能被扩展到何种程度。KNOU-Flood 保留单层 LSTM 和两阶段训练，并改变其周围的信息：更长的输入窗口（424 天）、预见期感知的预报输入、在 ECMWF HRES 之外引入 GraphCast 作为第二预报来源，以及使用 fair CRPS 训练的隐噪声集成。我们在相同数据、站点、划分和指标下，与 AIFL 方案的复现版本（其代码未公开）进行比较。我们的贡献有三方面。第一，在三个随机种子和 2,099 个测试流域（2021-2023）上，KNOU-Flood 在 LT1 达到中位 KGE' 0.65、在 LT10 达到 0.48，而基线分别为 0.62 和 0.34，在两种评分协议下于全部十个预见期均取得显著提升，对比 1024 单元基线以及在留出流域上（各一个种子）亦如此。第二，相同权重在 LT10 下因预报输入方式不同而给出 0.18 或 0.34 的 KGE'，因此 AIFL 所报告的预见期衰减在很大程度上是输入协议效应；概率头对增益贡献最大，其次是原始 GraphCast 通道、更长窗口和混合微调。第三，集成模型的 CRPS 低于基线的概率版本，在推理时 dropout 下接近校准，并且对 1.5 年和 2 年一遇洪水的检测优于所有基线；对更稀有洪水的收益取决于随机种子，而一个探索性的尾部加权变体改善了 10 年及更大事件。KNOU-Flood 是对一个开放方案的受控扩展，而非新架构。