概率降尺度（probabilistic downscaling）是大气科学、气候建模以及其他多尺度物理系统中的核心任务，其目标是在给定粗分辨率输入的条件下，对高分辨率场的条件分布进行建模。当前一种被广泛采用的范式是把问题分解为两部分：先由一个确定性均值预测器给出均值场，再由一个随机残差生成器产生残差，从而合成最终的集合样本。这种“均值—残差”方法在理想化设定下表现良好，但在实际应用中经常产生有偏且离散度不足（under-dispersive）的集合。
论文作者 Yujin Kim 与另一位合作者于 2026 年 6 月 29 日提交了这项研究（arXiv:2606.30821v1，cs.LG，交叉 cs.CE），试图回答一个关键问题：这仅仅是一般意义上的预测不确定性校准失准吗？他们的结论是，根本原因更为深层，即“残差目标设定错误”（residual target misspecification）。具体而言，由于降尺度过程本身存在偏差，训练阶段所诱导出的残差分布与测试阶段实际所需的残差分布之间存在系统性差异，随机生成器因此在训练时看到的残差目标与部署时所面对的真实残差并不一致。
为弥合这一差距，作者提出了 ReMatch（Residual Distribution Matching，残差分布匹配）。该方法在低维 PCA 空间中借助最优传输（optimal transport）将训练残差分布对齐到测试时的工作区间，从而在保留均值—残差框架统计优势的同时，减小随机生成器所见的残差目标在训练与测试之间的错配。换言之，ReMatch 并不改变均值预测器与残差生成器的整体架构，而是修正残差目标的分布，使训练过程更贴近真实部署条件。
在实验方面，作者构建了一个可控的合成基准，其中包含不同水平的偏差，用以系统检验方法在不同偏差强度下的稳健性；此外还使用真实世界的 HRRR—ERA5 风场降尺度任务进行验证，该任务将粗分辨率的 ERA5 再分析数据降尺度为高分辨率的 HRRR 风场。实验结果显示，ReMatch 显著减轻了集合离散度不足的问题，改善了校准性能（以 SSR 和 CRPS 衡量），并优于多个强基线，包括标准的均值—残差模型及其变体，以及当前最先进的超分辨率模型。
作者指出，该研究的意义在于揭示了一个容易被忽视的问题来源：实际应用中的集合偏差与离散度不足，并不只是通用的不确定性校准问题，而是源自训练与测试阶段残差目标分布的系统性错配。ReMatch 通过分布匹配的方式直接针对这一根因进行修正，因而在保持原有框架可解释性与统计优势的同时，获得了更好的校准效果。论文代码已在 https://github.com/sdean-group/ReMatch.git 公开，便于社区复现与进一步研究。