SoftSEEPS 将 SEEPS 评分松弛为可微损失，使降水模型直接优化干/小雨/大雨分类，SEEPS 最多下降约 0.1 而 RMSE 无明显代价

提出 SoftSEEPS：以 sigmoid 松弛 SEEPS 的干/小雨/大雨分类指示函数，得到对预测值可微的评分 s(x,y,τ)=c(x,τ)^T S c(y,τ)，其中平滑参数 τ 控制近似精度与梯度条件的权衡，τ→0 时收敛到原始硬分类。 此前 SEEPS 是分段常数赋值、无梯度信号，ML 模型只能被其评估而不能直接优化；作者称在 Rasp 等基准相关工作中尚无 SEEPS 的可微近似，并以 Gumbel-softmax、concrete 分布等分类操作可微松弛为动机。 作者报告已测试 SoftSEEPS 收敛到 scores 库中的参考离散 SEEPS 实现；训练时用跟踪验证离散 SEEPS 的平台调度器自动退火 τ，所有报告的验证 SEEPS 均为离散分数。

在 IMERG 日降水（V07B，mm/day）上训练仅含 54.3M 参数的卷积解码器 IMERGDecoder，将冻结的 ArchesWeather-M 骨干潜空间映射到 IMERG 网格，预测次日 24 小时累积降水，无需显式降水输入。 该设置把表现良好且计算便宜的天气预报模型与有限训练算力结合；作者指出与既有学习型降尺度方法的直接比较困难，因为先前工作通常聚焦区域或分块设置。 训练 1998–2018、验证 2019、测试 2020；单张 A100 上以 AdamW 训练 25,000 步，约 5 小时；解码器经三个双线性上采样阶段，每阶段四个残差块，前两阶段 512 通道、第三阶段 384 通道。

SoftSEEPS 与对数归一化 RMSE 的线性组合可联合优化，且扫描不同权重时呈现 RMSE 与 SEEPS 之间的帕累托前沿：SEEPS 最多下降约 0.1 而在 RMSE 上无可分辨代价。 自然预期是 SoftSEEPS 只能与 RMSE 权衡；结果显示联合目标下 SEEPS 从仅 MSE 的 0.481 降至 0.381，RMSE 仅从 5.316 升至 5.334，而仅 SoftSEEPS 时 SEEPS 为 0.375 但 RMSE 升至 7.720。 附录表 1 给出各设置数值：持久化 RMSE 9.288/SEEPS 0.819，气候态 7.492/1.098，ERA5 插值 5.689/0.612；仅 MSE 解码器已超过全部基线。

空间分析显示加入 SoftSEEPS 后 SEEPS 在全球范围内一致改善，而 RMSE 的改善与退化呈空间变化模式，作者据此认为训练目标中纳入气候学信息是成功的。 这提供了聚合权衡之外的逐地点证据，说明收益并非仅来自总体平均，而是与气候学阈值信息进入目标函数有关。 基于 Fig. 4 的空间评估；作者将 SEEPS 的空间一致改善与 RMSE 的空间变化模式对比作为指标。

该结果面向以 IMERG 日降水为目标的全球高分辨率降水预报设置，适用于希望直接优化分类式降水评分的 ML 天气模型开发者。方法上，SoftSEEPS 是 SEEPS 的 sigmoid 松弛，平滑参数 τ 在近似精度与梯度条件之间权衡，训练时由跟踪验证离散 SEEPS 的平台调度器自动退火；作者建议未来在更大天气模型上以 SoftSEEPS 训练降水。评估以 2019 验证、2020 测试和持久化、气候态、ERA5 插值基线为参照，作者也指出与既有学习型降尺度方法的直接比较因先前工作多聚焦区域或分块设置而困难。

读者仍会关注：τ 退火调度与权重扫描的具体取值在正文中未以数值列出，仅指向 Fig. 3；空间分析结论依赖 Fig. 4 的目视模式而非逐区域统计；作者指出与既有学习型降尺度方法直接比较困难，因此 SoftSEEPS 相对其他降水训练目标的优势幅度尚待更广设置验证；此外，仅 SoftSEEPS 时 RMSE 升至 7.720，说明单独使用该目标时强度误差的代价需要在应用中权衡。