2026-08-26 大气科学 AI 研究日报#
核验窗口：连续主窗口为 2026-08-25 13:04:42 至 2026-08-26 13:06:02（UTC+8）；24—48 小时缓冲窗口为 2026-08-24 13:04:42 至 2026-08-25 13:04:42（UTC+8）。以工作区
tracked_items.md和 2026-08-25 日报的截止状态去重。
一、总体判断与信号地图#
本期最重要的新信号不是新的雷达生成模型，而是 DWD 的 AICON 把“保留小尺度”写成了可检验的训练选择：缩短训练时效并放弃多步 rollout，能减轻确定性 ML 天气模型的小尺度衰减，但没有消除中尺度能量偏低、强风和热带气旋强度低估。它直接对应“怎样保留可预报信息与精细结构”的主问题，也说明单一整体 RMSE 不能替代尺度、极端和业务稳定性诊断。
| 研究线 | 本期信号 | 判断 |
|---|---|---|
core-nowcasting |
新增 SNPNet 正式元数据；单偏振到双偏振重建和 KNMI 集合产品封装属于上游/基础设施 | 未发现可完整核验的 0—3 h 雷达或降水新技能结果；不能把同刻重建、目录刷新或自动地图当作预报进展 |
core-short-range |
AICON 13 km/3 h 全球 MLWP；缓冲窗口恢复一项 1—168 h 城市站点多时效比较 | AICON 给出高价值的尺度—时效权衡和业务证据；站点论文支持按时效选择模型，但其训练目标不含降水 |
core-s2s |
AICON 的 180 h 推理覆盖 1—65 d 的最前段，但论文设计和验证重心是确定性短中期 | 本期没有新的直接 1—65 d 异常、概率或多模式公平比较结果；AICON 不转入 core-s2s |
core-air-quality |
新增一个 PM2.5/PM10 七天预报的前瞻日志 | 有可借鉴的“先发布、后评分”基础设施，但样本只有 208 个可用日、7 个已评分日，且未来天气未进入预测模型，不能当成新业务技能结论 |
二、新增条目表#
2.1 主窗口与连续增量#
| 标题/对象 | 日期 | 研究主线 | 相关性分类 | 来源/平台 | 正式状态 | 链接 | 代码/数据状态 |
|---|---|---|---|---|---|---|---|
| AICON: An operational global machine learning weather forecasting model | 2026-08-25 22:58 +08 | 全球 0—180 h MLWP，重点 0—72 h | core-short-range | arXiv / DWD | arXiv 2608.24651v1；预印本，暂无期刊信息；CC BY 4.0 |
论文 · DWD 开放预报目录 | 列出 Anemoi 包版本并开放业务预报；未发布 AICON 专用配置、权重、训练清单或冻结评估包 |
| Deep Learning Super Resolution for Satellite Cloud Mask Downscaling | 2026-08-25 23:34 +08 | 跨传感器云掩膜降尺度 | adjacent-method | arXiv | arXiv 2608.24715v1；预印本；作者备注称 IGARSS 2026 接收，尚未用独立会议记录升级；CC BY 4.0 |
论文 | 论文构建 4.8 GB SEVMOD-CM，但未给公共数据集、代码、权重或软件/数据发布许可 |
| A Hardware-Aware Deep Learning Framework for Wind Retrieval from Raw Doppler Spectra of Radar Wind Profilers | 2026-08-25 20:02 +08 | 风廓线雷达原始谱反演 | infrastructure | EGUsphere / AMT discussion | 讨论预印本 egusphere-2026-3168；正在 AMT 评审，非正式录用；CC BY 4.0 |
官方预印本 | 代码可向作者申请；KMA 雷达和探空数据受访问政策限制，不能由作者再分发 |
| Evaluation of Forecast-Based Global GNSS Precipitable Water Vapor Retrieval Using the AI-Based Global Weather Forecast Model | 2026-08-25 | AI 预报驱动 GNSS 水汽反演 | infrastructure | Earth and Space Science | 正式期刊文章，DOI 10.1029/2025EA004409；CC BY-NC 4.0 |
DOI | 可访问摘要未给代码、冻结 GraphCast 起报清单、具体预报时效或数据包；NC 许可不满足本站图件镜像白名单 |
| Dual-Polar Reconstruction From Single-Polarisation Weather Radar Using Generative Autoencoders | 2026-08-25 | 单偏振雷达上游变量重建 | adjacent-method | IET Radar, Sonar & Navigation | 正式期刊文章，DOI 10.1049/rsn2.70129；CC BY-NC-ND 4.0 |
DOI | 未发现公共代码、权重、雷达样本或冻结划分；NC-ND 不镜像图件 |
| SNPNet: Satellite Nowcasting for Precipitation Network with Dual Attention Mechanisms and Multi-scale Convolution Integration | 2026-08-26 03:05 +08（Crossref 创建） | 卫星降水临近预报 | metadata-only | IEEE Geoscience and Remote Sensing Letters | 正式期刊文章元数据，DOI 10.1109/LGRS.2026.3727533；精确在线日期未显示 |
DOI | 官方可访问记录无摘要、数据、时效、指标、代码或开放许可；不凭标题升级 |
MennoJ97/buitjes |
2026-08-25（仓库创建） | KNMI 雷达—集合产品封装 | infrastructure | GitHub / KNMI Open Data | MIT 仓库；无论文、DOI、release 或独立评估 | 仓库 | 读取 KNMI 20 成员 seamless precipitation ensemble 与实况雷达；数据条款为 CC BY 4.0；代码不是新科学模型 |
sidharthify/breatheForecasterResults |
2026-08-25（仓库创建） | PM2.5/PM10 七天前瞻评分 | infrastructure | GitHub | MIT 仓库；无论文、DOI 或正式 release | 结果日志 · 算法 | 算法和不可回改的逐日起报日志公开；目前只有 208 个可用历史日、153 个回测起点和 7 个前瞻评分日 |
2.2 24—48 小时缓冲窗口恢复#
| 标题 | 日期 | 研究主线 | 相关性分类 | 来源/平台 | 正式状态 | 链接 | 代码/数据状态 |
|---|---|---|---|---|---|---|---|
| Effectiveness of machine learning and deep learning techniques for multi-horizon weather forecasting | 2026-08-24 | 城市站点 1—168 h 预报 | core-short-range | Meteorology and Atmospheric Physics | 正式期刊文章，卷 138、文章 89，DOI 10.1007/s00703-026-01183-2；独占出版许可 |
正式页面 | 数据和代码均只注明可向通讯作者合理申请；没有公共冻结包，不镜像图件 |
三、四条核心研究线#
3.1 core-nowcasting：直接技能仍空缺，上游重建不能替代时间外推#
双偏振重建。 Firoozmand 等在 IET Radar, Sonar & Navigation 用 U-Net 型生成自编码器从单偏振反射率重建差分反射率和同极化相关系数，目标是补足廉价单偏振网络的水凝物分类、粒径和降雨估计信息。作者摘要报告选定场景的水凝物分类准确率约 85%。这是同一时刻的跨变量重建，不含起报时刻、未来有效时刻或 0—3 h 外推；完整雷达网络、事件年份、训练测试隔离、分级样本量和降雨误差尚未核实。可借鉴点是把上游观测缺变量重建成显式模块，但必须把合成双偏振误差继续传播到 QPE 和预报，不应把选定场景分类率等同于业务价值。
SNPNet。 IEEE/Crossref 已确认题名、三位作者和 DOI，但没有可访问摘要。题名中的 “Satellite Nowcasting for Precipitation” 足以建立跟踪候选，不足以确认输入卫星、目标降水产品、预报时效、训练测试年份、共同样本基线或作者指标，因此保留 metadata-only。它只有在官方全文给出明确未来有效时刻和可核验技能后才能进入 core-nowcasting。
Buitjes。 该仓库不训练模型，而是消费 KNMI seamless_precipitation_ensemble_forecast_members：20 个成员、5 min 间隔、至 +6 h，并把实况、外推和模式预报在时间轴上分段标识；点位输出 p10/p25/中位数/p75/p90 与逐 5 min 降雨概率。它对当前研究最有价值的不是模型新颖性，而是将来源、时效阶段和集合分位数保留到最终产品。仓库没有冻结评估、事件级可靠度或用户阈值验证，故只列基础设施。
3.2 core-short-range：AICON 把尺度—时效权衡带入业务系统#
来源、任务与数据。 AICON 是 DWD 的全球确定性 MLWP，输入起报前 3 h 与起报时刻两个大气状态，预测 +3 h，再自回归至最长 180 h。模型在原生 13 km、3 h 的 ICON-DREAM 全球再分析上训练，使用 ICON 的非静力动力框架、EnVar 分析、地形跟随 SLEVE 模式层；输入含 13 个垂直层的风、温度、比湿和气压，以及近地面、土壤和静态强迫变量，三小时累积降水是诊断输出。论文没有公开训练年份边界或冻结样本清单，这是复现和年代外评估的关键缺口。
模型与训练。 编码器—处理器—解码器 GNN 直接建立在 ICON 二十面体多层网格上，处理器含 16 个图注意力层、隐维 512。训练从 52 km 到 26 km 再到 13 km逐级迁移，在 8 张 A100 80GB 上完成；最终模型只学习单个 +3 h 步长，另用 52 km 原型做 24 h 多步 rollout 对照。作者发现 24 h rollout 虽改善较长时效整体 RMSE，却降低小于约 1000 km 尺度的活动，因此业务模型放弃多步训练。
测试与作者结果。 52 km 对照用 2025 年 6 月、每日 00/12 UTC 起报并积分到 180 h；业务模型又用 2025 年季节样本、2026 年 4 月运行一致性和台风 Sinlaku 案例验证。观测检验覆盖地面站和探空，并与业务 ICON 比较；论文还区分观测验证与在观测位置的自分析验证。作者报告 AICON 在短中期近地面变量上总体具有竞争力、相邻起报的 flip-flop 指数更低，预报员认为 0—3 d 降水位置和量级与 ICON 接近。
技术判断。 关键限制同样明确：24 h 动能谱在大于 250 km 尺度接近 ICON，但 AICON 在更小尺度和高层活动偏低；强风、热带气旋强度和部分降水极值偏弱，长时效沿海还会出现伪降水。作者所谓“更少模糊”是相对其他确定性 AI 模型，不代表达到 ICON 的中尺度方差。AICON 因此是“减少不可预报尺度的过度平滑”证据，不是“恢复真实细节已经解决”的证据。代码声明只列 Anemoi 包版本；AICON 专用权重、配置、训练数据和评估样本均未发布。DWD 开放目录可验证业务数据流存在，但独立业务复现仍缺少完整模型包。
metadata.json。
缓冲窗口站点比较。 Sami 等使用巴基斯坦 Islamabad 和 Chakwal 的 12 个自动站，其中 9 个 Islamabad 站用于 2023—2024 年逐小时建模；五个预测目标为气温、露点、相对湿度、气压和风速，降水因站点尺度自相关接近零而被排除，仅用于 2025-04-16 冰雹日的商业 API 对照。14 种方法包括 XGBoost、随机森林、SARIMA、朴素基线和五种 GRU/LSTM，使用相同 36 个特征、168 h 回看和五折扩展窗验证；每折至少训练 8760 h，测试 336 h，训练与测试间隔 168 h。作者报告简单 RNN 比复杂架构低 5%—15% 误差，DL 在 1—6 h 降低 15%—25% 误差，日尺度与传统方法接近；风速到 168 h 时 DL 误差反而增加 74%。该结果支持按变量和时效选择复杂度，但不支持局地降水订正结论，也受两年记录、单一区域和代码数据仅按请求提供限制。
3.3 core-s2s：没有新的直接概率或异常结果#
AICON 的最长 180 h 约为 7.5 d，技术上与 1—65 d 起始段重叠，但其目标是确定性全场滚动，论文没有异常相关、集合校准、多动力模式共同样本或局地降尺度试验。本期因此不把 AICON 重复列入 core-s2s。在 arXiv、OpenReview、Crossref 和机构页中未发现主窗口内可完整核验的新 S2S AI 论文、代码或业务验证；“El Niño delayed observations”最长到 6 个月，超出当前 65 d 边界，作为排除项记录。
3.4 core-air-quality：前瞻日志值得保留，技能证据仍很早期#
breatheForecasterResults 每晚先发布 Jammu 的 d+1—d+7 PM2.5、PM10、AQI 和 80% 区间，实际日完成后再写入误差，旧预报不回改。算法将每日浓度取对数，用 14 d 因果均值表示慢变背景，以收缩后的 AR(1) 异常衰减到未来，并从逐时效 walk-forward 残差估计 80% 区间；AQI 由污染物浓度阈值映射得到。作者在 208 个可用日、153 个回测起点上报告相对持续性基线的误差改善随时效约为 9%—35%，七天 AQI 正确等级率 52%、相邻一档内 94%。
它没有把 Open-Meteo 未来天气送入浓度模型：作者称当前约 200 d 样本中最强天气—异常相关仅约 -0.30，加入参数的回测收益不足。这个选择在小样本下可以理解，却也意味着结果没有检验“真实预报气象驱动如何传播到污染物”。前瞻覆盖目前只有 7 个已评分日，且 80% 区间 7/7 覆盖真值，样本不足以判断区间是否过宽。保留为 infrastructure，下一步要看跨季节、沙尘/高污染阈值、不同站点和至少数十至数百个独立起报的可靠度。
四、相关方法与基础设施#
4.1 云掩膜超分辨率：恢复结构的同时必须审计跨传感器配准与划分#
Georgakis 等将 2020—2023 年欧洲和北非的 SEVIRI 11 个光谱通道及 3 km 云掩膜，与时间差不超过 15 min 的 MODIS 1 km 云掩膜配对。原始约 200 GB 数据被处理为 63,108 对 32×32 SEVIRI / 128×128 MODIS 补丁，去除无云样本后保留 20,828 对，按 80/10/10 划分。SpatialCNN 用残差卷积和逐级上采样，SpatialGAN 在对抗/感知损失外加入二元交叉熵；两者都以 SEVIRI 第 2、4、6 通道和低分辨率云掩膜为输入。
在留出集上，SpatialGAN 的 SSIM 0.7811、MSE 0.0480，优于双三次插值的 0.578 和 0.12，但 PSNR 17.9 dB 略低于 18.32 dB；SpatialCNN 在三项指标上都没有超过双三次。它是同刻、跨传感器的云掩膜重建，不是未来云或降水预报。论文没有说明是否按观测时刻/轨道/区域成组划分，若同一场云系的相邻补丁跨集合，随机 80/10/10 会高估泛化。数据集和代码尚未公开，IGARSS 接收状态仅有作者备注。
4.2 风廓线雷达：硬件错误形态决定是否适合后处理#
Lee 等直接从 437.5 MHz 和 1290 MHz 风廓线雷达的五波束原始 Doppler 谱回归风矢量，使用韩国四站 2022—2024 年观测及共址探空。每月 1—10 日和 22 日至月末用于训练，12—20 日用于测试，11 日和 21 日作为一天缓冲，最终约 67%/33%；DL-v1、v2、v3 分别使用模糊、确定和综合谱样本，主模型保留完整谱连续体而不是先删除困难样本。
作者报告综合模型在不同硬件上最稳健；与常规后处理混合可抑制 1290 MHz 的瞬态离群点，却几乎不能修复 437.5 MHz 的距离扩展、垂直相干伪影。MSE 训练仍低估强风尾部。它不是天气雷达降水外推，而是上游风观测/质控基础设施；可借鉴点是先按硬件错误机制分层，再决定 AI 与传统 QC 的组合，而不是用一个统一后处理覆盖所有传感器。代码仅按请求提供，KMA 数据受限。
4.3 GraphCast 驱动 GNSS-PWV：验证了预报场的下游用途，仍需明确时效合同#
Yin 等用 GraphCast 预测加权平均温度和天顶静力延迟，再与 GNSS 观测结合反演可降水量，并以 GPT3 和堆叠 ML 为基线、用全球探空和 GNSS 数据验证。作者摘要报告相对探空的 PWV RMSE 为 0.73 mm，比基线低约 1.3 mm 以上；相对 GNSS 的 RMSE 为 1.7 mm，比基线低约 0.7 mm以上，对纬度、高度和时间变化也较不敏感。
这是“AI 天气预报作为实时观测反演驱动”的证据，不是 PWV 本身的独立未来预测技能。当前可访问材料没有给 GraphCast 版本、起报时刻、有效时刻、具体预报时效、共同样本量或与分析场驱动的差距，因此无法判断改善来自真正未来预报还是接近分析时刻的高质量场。后续应按时效给出误差传播，并把 PWV 改善传递到降水临近预报或资料同化影响试验。
五、机构信号、仅元数据、窗口外与排除项#
5.1 机构信号#
DWD 是本期唯一与新论文形成闭环的机构信号。官方 2025 年系统变更通知给出 AICON 每 3 h 起报、00/12 UTC 到 180 h、06/18 UTC 到 120 h、其余起报到 48 h，DWD Open Data 目录当前可访问 AICON 数据流。论文称 2025 年 9 月开始技术运行、2026-03-02 起全面业务使用；本期没有发现另一个独立机构发布可改变该状态的新模型、权重或验证报告。ECMWF、NOAA、Met Office、CMA、WMO、Copernicus/CAMS 和 Google DeepMind 的主窗口检索没有发现可核验的新技术交付。
5.2 仅元数据候选#
| 对象 | 已核实状态 | 暂不升级原因 | 下一触发器 |
|---|---|---|---|
SNPNet: Satellite Nowcasting for Precipitation Network with Dual Attention Mechanisms and Multi-scale Convolution Integration，DOI 10.1109/LGRS.2026.3727533 |
IEEE GRSL 正式期刊文章元数据；Crossref 于 2026-08-25 19:05 UTC 创建记录 | 无摘要、卫星/降水目标、起报和有效时刻、训练测试、指标、代码、数据或开放许可 | 官方摘要/全文；0—3 h 合同；共同样本的持续性/光流/生成模型比较；FSS、CSI、可靠度和代码权重 |
5.3 窗口外、例行变化与低价值排除#
| 对象 | 分类 | 处理 |
|---|---|---|
Predictability of El Niño from Delayed Observations，arXiv 2608.24428v1 |
low-value-exclusion | 最长预报达 6 个月，核心问题是延迟观测下的 Niño-3.4 长时效可预报性，超出 1—65 d；作者“submitted to”备注不作正式状态 |
Data Assimilation: Addressing Spurious Correlations and Scalability Issues，arXiv 2608.23813v1 |
low-value-exclusion | 缓冲窗口内的通用 PDE/EnKF 局地化示例，无真实大气观测、天气模式或业务验证，当前不足以成为大气方法新增 |
AI-Driven Lightning Risk Mapping in Bihar, India，DOI 10.1175/WCAS-D-25-0057.1 |
low-value-exclusion | 使用 2019—2025 年伤亡和地理社会变量做地区风险/脆弱性映射，没有未来雷暴起报与有效时刻，不是闪电或强对流预报 |
FrancescoCastaldi/hailcast-ml、ilianrvd/nowcasting-public |
low-value-exclusion | 截止后提交只更新雷达快照、地图和时间元数据；既有合成标签/传统外推边界未变，没有新模型、权重、代码逻辑或验证结果 |
enhansome/enhansome-precipitation-nowcasting |
low-value-exclusion | 现为旧文献与仓库星数/更新时间的自动目录镜像；无新科学模型、数据、结果或许可 |
ahriyad1/airequity-nsw |
infrastructure，未触发升级 | 新提交仅增加观测抓取脚本注释；仍无预测模型、未来气象驱动、LOSO 结果或许可证 |
| Hugging Face 常规天气数据/演示空间 | low-value-exclusion | 仅例行数据刷新或前端演示；未发现与本期论文对应的模型、权重、数据版本或科学说明 |
| OpenAlex / Semantic Scholar | 检索限制 | OpenAlex 对新 DOI 尚未收录或返回空结果；Semantic Scholar 多次返回 429。保留条目均回到 arXiv、Crossref、出版商、DWD 或 GitHub 一手记录核验 |
本期没有需要单列的高价值 window-out 新状态。
六、对当前研究的具体启发#
- 把尺度保持写进训练目标和验证合同。 AICON 表明延长 rollout 会提升整体长时效 RMSE，却可能牺牲小于约 1000 km 的活动。对 1—65 d 降尺度与雷达外推，应同时报告整体误差、尺度谱、对象尺寸、极端分位和概率校准，不能只靠像素平均分数。
- 动力锚与生成恢复需要分工。 AICON 的确定性 MSE 模型仍会平滑极端；可将大尺度/可预报分量交给动力或确定性锚，再由条件生成模型恢复受约束的小尺度残差，并用谱能量、守恒、尾部和 spread-skill 共同验收。
- 训练时效不应“一刀切”。 站点论文和 AICON 都显示最优复杂度与目标时效有关。可以采用分时效损失或课程学习，但要防止较长训练时效压制短时效可预报结构；短、中、S2S 头应共享大尺度状态而保留不同尺度目标。
- 跨传感器降尺度必须按场景分组划分。 云掩膜 SR 的随机补丁划分可能让同一云系跨训练和测试。雷达—卫星、模式—雷达或再分析—高分辨率配对都应按时刻、天气过程、区域和年份成组留出。
- 不确定性需要前瞻、不可回改的验证。 Buitjes 保留 20 成员分位，Breathe 先发布再评分；两者都提示网站/业务层应保存每次起报、有效时刻、成员和阈值结果。可靠度只能在足够多独立起报和高影响样本上判断。
- 观测硬件错误要进入模型分层。 风廓线雷达结果说明不同频率/硬件的错误形态决定传统 QC 是否有用。雷达回波 AI 也应按遮挡、衰减、杂波、拼图缺口和硬件类型分别建模与评估。
七、后续跟进触发器#
- AICON：公开专用配置、权重和 ICON-DREAM 冻结训练清单；给出独立业务共同样本、降水极端、谱、物理平衡和概率/集合结果。
- SNPNet：官方全文确认卫星输入、降水参照、0—3 h 起报—有效时刻合同、共同样本指标和代码/数据。
- 单偏振到双偏振重建：公开雷达网络、事件/年份隔离、完整回归误差、下游 QPE/预报影响和跨雷达测试。
- SEVMOD-CM：公开数据与代码；按场景/轨道/日期/区域成组重做留出，并增加云边界、对象和校准指标。
- 风廓线雷达：公开代码或冻结可运行包；新增外部站点、跨硬件测试和强风加权/概率损失。
- Breathe 前瞻日志：累计至少一个完整季节和足够独立起报，按 lead 报告区间覆盖/宽度、阈值命中、沙尘/高污染日与未来天气驱动增益。
- 缓冲窗口站点论文：公开冻结数据/代码；把降水设为真正预测目标，并与同起报商业/NWP 产品做阈值和极端共同样本比较。
- 继承上一期未变化的高优先级触发器：ECMWF 年循环完整合同、M-JEPA 固定地理坐标端到端测试、DiffWind 尾部与离散度、上海 AQ 真时效与未来驱动、ERA5 多事件验证、PCFNet 和 WRF–CMAQ 全文/代码。
八、检索覆盖、图件与证据边界#
- 学术来源覆盖 arXiv 分类与关键词增量、OpenReview、Crossref、OpenAlex、Semantic Scholar、AMS、IEEE、AGU/Wiley、Springer Nature、Copernicus/EGUsphere，以及 GitHub 和 Hugging Face。OpenAlex 对部分当天 DOI 尚未收录，Semantic Scholar 触发 429；未用聚合器替代最终状态来源。
- 机构来源覆盖 DWD、ECMWF、NOAA、Met Office、CMA、WMO、Copernicus/CAMS 和 Google DeepMind。只保留 DWD 与 AICON 论文形成的可核验闭环。
- 本期镜像一张论文代表图：AICON Figure 13。arXiv v1 明确为 CC BY 4.0，具体图和原图注已核验；源面板、组合图、SHA-256、许可和修改记录均存入
metadata.json。 - 其他图件未镜像：IET 双偏振论文为 CC BY-NC-ND；GNSS-PWV 为 CC BY-NC；SNPNet 复用权未核实；缓冲窗口 Springer 文章为独占许可。风廓线雷达虽为 CC BY 4.0，但本期分类为
infrastructure；云掩膜论文虽为 CC BY 4.0，本期未选用定性样例图，避免把视觉锐化当成独立技能证据。 - 所有作者指标都按作者报告处理；业务运行状态、作者主观评估和独立复现相互分开。本期未发现 AICON、SNPNet、双偏振重建或 Breathe 日志的独立复现。
九、简短结论#
本期有一个高价值核心信号：AICON 以业务系统说明，延长训练时效与保留小尺度之间存在可测的冲突；缩短训练步长能缓解平滑，却不能自动恢复中尺度能量或极端强度。雷达临近预报和 S2S 没有新的完整直接技能证据；新增条目主要补充了上游观测重建、跨传感器降尺度、业务集合表达和前瞻评分基础设施。当前最值得落实的是把“尺度、极端、概率与起报合同”同时纳入模型选择，而不是只追求一个平均误差最优解。