洪水预警不再只给一条流量曲线：分位数集成模型在澳大利亚流域标出90%区间

洪水预警的输出从单条流量预测变成带上下界的区间，区间位置直接对应风险等级。 此前的集成与区域深度学习模型以流量预测精度为目标，并非针对洪水预警最在意的稀有高量级事件设计。 在南澳流域的对比中，分位0.05的Quantile-LSTM取得最低RMSE 0.0801，常规LSTM为0.0963，CNN为0.0976；分位0.95的模型在SER 1%和2%的极端流量窗口上表现最好。

三条结构相同但独立训练的LSTM分别拟合流量均值与上下分位，把不确定性显式写进预测。 分位数回归估计条件分位数而非条件均值，对响应中的离群值更稳健，因而适合外推到极端值。 模型在CAMELS-AUS的222个流域上训练，输入为日累计降水、日最低与最高气温、年内时间的正弦余弦编码，静态输入包括平均流量、流量对降水的敏感性等流域属性。

预测区间与历史洪水阈值比较后，给出可直接读的风险标签。 阈值取年最大流量15%超越概率，约相当于7年重现期，超过阈值即计为一次洪水事件。 跨州评估中，新南威尔士、昆士兰和塔斯马尼亚的90%区间经验覆盖率分别为0.77、0.76和0.83，接近0.90的名义目标；各州区间技巧分数均大于0但低于1。

评估范围是CAMELS-AUS数据集中1990年至2020年的澳大利亚流域，跨州部分每州只取径流系数最高的5个流域，因此报告精度偏向高径流流域。模型给出最长5天的多步预报，逐站单独建模的策略需要为每个新测站重新训练。

各州预测的极端事件数量约为观测数量的一半，检测率整体偏低，北部地区最高为0.27，塔斯马尼亚为0.169；检测到的峰值幅度普遍低估约30%，维多利亚的负偏差达−42.57%，使其检测率降至0.08。多数州的90%区间经验覆盖率略低于0.90，西澳最差；部分流域实测流量越出预测区间，低流量流域的下分位模型偏向零值。