この記事では、赤外線による降雨抽出における不均衡学習の重要性を取り上げ、Hurdle-Inversion Model Debiasing Learning（IMDL）という新しいフレームワークを提案しています。従来のモデルは、一般的なサンプルに偏るため、稀な降雨イベント、特に大雨の抽出性能が低下します。IMDLは、降雨の分布における不均衡をゼロインフレーションとロングテールの2つの要素に分解し、前者にはハードルモデルを、後者にはバイアスのない理想的な逆モデルへの変換を提唱します。統計的評価とケーススタディを通じて、Hurdle-IMDLは、従来の手法よりも大雨の抽出性能を大幅に改善し、不均衡な環境変数の分布に対する一般化可能なアプローチを提供することが示されています。