# 极端事件预测

澳大利亚流域的洪水预警改用分位数集成深度学习：三条独立训练的LSTM分别给出流量均值与5%、95%分位，把预测包成90%置信区间，再按15%年超越概率阈值把区间位置翻译成高、中、低风险。在CAMELS-AUS数据上，南澳对比中分位0.05的Quantile-LSTM取得最低RMSE 0.0801，常规LSTM为0.0963；跨州检测中峰值时间误差约1.94至3.12天，但峰值幅度普遍低估约30%。

澳大利亚流域的洪水预警改用分位数集成深度学习：三条独立训练的LSTM分别给出流量均值与5%、95%分位，把预测包成90%置信区间，再按15%年超越概率阈值把区间位置翻译成高、中、低风险。在CAMELS-AUS数据上，南澳对比中分位0.05的Quantile-LSTM取得最低RMSE 0.0801，常规LSTM为0.0963；跨州检测中峰值时间误差约1.94至3.12天，但峰值幅度普遍低估约30%。

该工作把科学多智能体强化学习（SMARL）用于地球物理湍流的亚网格闭合建模：以从少量高保真样本估计的拟涡能谱为奖励，在线学习Leith模型系数，使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行，并复现DNS的动能谱与涡量概率密度函数，包括代表极端事件的尾部。

该工作把科学多智能体强化学习（SMARL）用于地球物理湍流的亚网格闭合建模：以从少量高保真样本估计的拟涡能谱为奖励，在线学习Leith模型系数，使分辨率比DNS粗160至163840倍的LES在长达训练数据约2000倍的模拟中稳定运行，并复现DNS的动能谱与涡量概率密度函数，包括代表极端事件的尾部。