观潮 · 模式预报与气象 AI 观察
湿偏差会翻转结论：同一降水临近模型两套测试口径下偏差方向相反，七年后在意大利复现
> 生成式降水临近预报普遍用「湿偏差」数据集训练和测试——为了让模型见过足够的极端事件，按目标观测挑样本，让降水过程被过度代表。这篇论文把代价算清楚了：模型固定不动，只换测试集的抽样口径，同一个模型的偏差方向会反转。在湿偏差测试集上它显得预报偏干，在代表业务分布的均匀测试集上它实际偏湿。更麻烦的是，当训练和测试用同一套抽样协议时，即使一个理想模型也会精确地学到「评估所偏好的那个分布」——测试偏差会把训练偏差盖住，于是「与测试集吻合」根本不能证明业务条件下是校准的。作者用德国 2015—2018 年训练的卫星—雷达扩散模型做了对照，再把同一实验搬到完全在训练域之外、且晚七年的意大利复现了这个反转。他们也明确划了边界：理论只在理想化极限下成立，只测了一个模型族、一个架构、一个任务、一种抽样方案，均匀测试集本身也只是业务分布的代理。
缺的是哪一块
临近预报指几小时以内的预报，时空分辨率要很高。数值模式在这个尺度上有几个绕不开的短板：观测处理与同化的延迟、模式起转、分辨率不够。基于机器学习的天气模型整体技巧已经能跟数值模式比，但多数仍靠模式分析场初始化，延迟和分辨率的限制被继承了下来。
生成式模型因此成了这个方向的主流：GAN、扩散、flow matching 都能给出空间上连贯的降水场集合。而这类工作几乎都把重心压在极端降水上，于是很自然地用了湿偏差的训练集和测试集——极端事件太稀有，不人为加权重根本学不动。
问题在于：一旦样本是按目标观测（未来实际下了多少雨）挑出来的，训练分布和测试分布就一起偏离了真正的业务分布。这个偏移常被称作分布偏移。
评估这一侧，这种做法早有名有姓，叫「预报员的困境」（forecaster's dilemma）：用未来的实况去挑选验证样本，得到的就不再是业务分布上的性能估计，技巧评分失去正当性，校准诊断也会误导，还破坏了「协变量偏移」这个前提——而机器学习里对抗分布偏移的很大一部分方法都建立在这个前提上。这个概念在临近预报圈子里一直没被认真对待。
训练这一侧的影响，按作者的说法，此前没有被研究过。 理由很直接：生成模型学的是训练集所代表的那个条件分布，抽样偏移会直接写进模型权重里。
实验怎么搭的
环节 · 设置
任务 · 纯卫星输入 → 雷达反射率临近预报（卫星到雷达的转换）
目标数据（德国） · DWD RADOLAN WX 组合反射率，0.5 dBZ 量化，5 分钟、1 公里，极射赤面投影
时间对齐 · 只取 15 分钟整点，与卫星的低时间分辨率对齐
时段 · 2015—2020 年每年 5—10 月；2015—2018 训练、2019 验证、2020 测试
卫星输入 · Meteosat 高分辨率可见光（HRV）反射率
模型 · EDM 扩散模型，条件式
训练抽样 · Kahn 式重要性采样（湿偏差）
测试口径 · ① 湿偏差测试集 ② 均匀采样测试集（代表业务分布）
独立复现 · 意大利域，完全在训练域之外，时间上距训练期七年
空间裁剪 · 128×128 公里的参考窗口，相邻窗口步长 64 公里
选卫星而不是雷达做输入，是有意的：雷达是临近预报的黄金标准，但连续覆盖基本限于陆地上的工业化国家；静止卫星几乎全球覆盖，还能早期捕捉对流初生。
最关键的设计是模型固定不动。训练好的权重一次都不改，只把测试集换掉，这样评估分布的影响就被单独隔离出来了。意大利那一组更进一步：换域、换时间，同时保留同一个模型。
作者还顺带做了文献调查，把常见的抽样方案归了类：
抽样类型 · 做法 · 是否依赖目标观测
重要性采样 · Kahn 式蒙特卡洛重要性采样，压低易样本权重 · 是
确定性过滤 · 最小雨像素比例、平均雨强阈值、只取雨天子集等固定规则 · 是
强度分层均衡 · 按降水强度分箱，各箱等量抽取 · 是
事件策展 · 逐个个例挑选，多聚焦强降雨或极端事件（SEVIR 属此类） · 是
均匀采样 · 不做选择，得到与业务一致的数据集 · 否
调查结论是：除了一份工作用到的分层方式与「均匀」这一类之外，其余所有方案都拿未来观测来选样本，都属于目标依赖协议。作者特别点了 SEVIR 的名——它从 NOAA/NCEI 风暴事件库里挑风暴个例，又叠加了偏向大降水强度的随机抽样，是影响极大的基准数据集，被大量临近预报研究使用。也就是说，一个基准数据集的湿偏差会被每一篇下游论文静默继承。
结果：同一模型被判出相反的偏差
核心结论可以压成一句话：偏差方向的判断取决于测试集怎么抽的，而不取决于模型。
- 在湿偏差测试集上，模型看起来预报偏干（under-predictive）。
- 在均匀采样的、代表业务分布的测试集上，同一个模型实际偏湿（over-predictive）。
把这两句放在一起，就意味着「按湿偏差集的评估结果去调模型」会把开发者推向错误的方向。作者拿无分类器引导（classifier-free guidance）当例子演示了这条误导向的链条：在校准评估给出相反结论的情况下，下游的模型开发会被带偏。
还有一层更反直觉的结果：即便训练集过度采样了强降水，在均匀测试集上这个模型对小雨偏湿、对强降水仍然偏干。作者对此的结论不是「湿偏差数据集一无是处」，而是「用湿偏差本身不是错，错在完全不承认它引入的分布偏移、还在同一个偏移分布上做评估」。
理论上，作者给出了机制：目标依赖抽样同时挪动训练分布与测试分布；对一个理想模型而言，训练侧的偏移恰好等价于「针对同协议测试集的最优对冲」。两个偏移相互作用，测试偏差就把训练偏差遮住了。
原文图
两地的数据域与裁剪方式。(a)(b) 是德国，分别是雷达反射率（dBZ）与 Meteosat HRV 反射率（%）；(c)(d) 是意大利，分别是雷达雨强（mm/h，对数色标）与 HRV 反射率。橙框为采样区，实线黑框是 128×128 公里的参考裁剪，虚线框是按 64 公里步长的相邻裁剪。意大利这一组完全落在德国的训练域之外。
德国 2020 年 5 月 10 日 15:15 UTC 的对流个例，超阈值判据为 38 dBZ。上排左起：引导强度 s=1、s=2 的第 14 号集合成员，以及 +30 分钟实况；下排是对应的超阈值概率，最右为两者之差。提高引导强度会把降水场推向更强、更集中的形态——这正是作者用来演示「校准结论不同会如何误导调参」的那类旋钮。
意大利 2025 年 7 月 13 日 14:00 UTC 的对流个例，超阈值判据为 9.55 mm/h，时间上距德国训练期七年。布局同上，色标换成 mm/h（0.1 到 200 的对数刻度）。同一套权重、同样的引导强度变化，在这个训练域外、时间外推的个例上再现了相同的形态响应。
作者承认的限制
- 理论只在理想化极限下成立。真实模型总会有算力预算约束，作者明说极端事件在湿偏差训练下仍可能被低估，因此「实验确认不可替代」。
- 覆盖面很窄，量级不可直接搬用。只研究了一个模型族（EDM 扩散）、一个架构、一个任务（卫星到雷达临近预报）、一种抽样方案（Kahn 式重要性采样）。作者说明，换成雷达到雷达的临近预报、GAN、flow matching 或别的架构与训练算法，量级会不一样；但机制本身对生成式目标普遍适用。
- 均匀测试集只是业务分布的代理，不等于真实业务分布。
- 业务侧的复杂因素不在范围内：数据延迟、数据质量影响等都没有纳入。
- 调查不等于穷举。文献抽样调查的对象是被认为有影响力的近期生成式临近预报研究，附录另有补充表；作者没有声称覆盖全部文献。
可照着改的几条
作者给的建议可以归成四件事：
要求 · 具体做法
声明业务分布 · 明确写出预期的部署分布，并标出它与训练、测试分布的差异
在业务一致的测试集上验证 · 若为省算力用了重要性采样，须记录接受概率；避免出现接受概率为零的抽样方案；报告分数要用逆概率加权（IPW）估计。也可以用基于预报的分层来强调极端
补校准诊断 · 除逐像素评分外，还应报告 rank 直方图、可靠性图这类校准度量
后处理只用业务一致的验证集 · 后处理与校准拟合不能在湿偏差集上做
长期建议是建一个临近预报的社区基准，测试集按业务分布构造，做法可以参照 WeatherBench 对中期预报机器学习模型所起的作用。
一句话判断
这篇的价值不在「湿偏差数据有害」这种结论，而在于它证明了测试口径本身可以改变偏差判断的符号——同一份权重，换个测试集就从偏干变偏湿；这意味着大量以湿偏差集评分的临近预报论文，其「校准良好」的结论都需要重新审视，而作者自己只在一个任务、一个模型族上验证了它。