径流极端值下集成离散度失效研究：排序正确但规模低估

研究发现用于径流预测的深度学习模型（如 LSTM）在极端流量下存在严重的集成离散度不足，预测误差在常态下是修正离散度的约 2x，在最高流量下可达 4x，超出训练记录的极端观测中差距甚至达 18x。尽管其不确定性排序指标 AUSE 接近完美（0.071），但仅按预测流量排序也能达到类似效果。这种排序有效性掩盖了规模低估，导致模型在关键极端事件中系统性低估风险。