深度学习超分辨率（SR）能够从粗糙的遥感观测重建细尺度场，但仅凭重建误差难以给出可靠区域的校准规则。基于共形风险控制的 Conformal Mask Calibration (CMC) 将空间不确定性分数映射为可信掩码，并在可交换性假设下控制最坏局部失真。然而，CMC 使用固定阈值，在受季节性和突发事件影响的观测流中容易失准。\
我们提出 CARM（Conformal Adaptive Risk Masking），一种在时间分布漂移下实现自适应空间风险控制的统计框架。CARM 维护多个更新速率不同的专家，每个专家给出阈值建议，系统使用不对称代理损失在线聚合这些建议，以在分布快速变化时实现快速适应，在相对平稳时期保持稳定。所有更新均为因果的，仅利用固定延迟后得到的成熟反馈，因而可与任何输出空间不确定性分数的 SR 模型配合使用。\
我们证明，在无分布假设且任意专家权重下，时间平均的掩码条件风险以 $O(1/T)$ 收敛至不超过 $α$。在每日南海叶绿素‑a SR 流上，CARM 将经验违背率从 $43.49\%$ 降至 $9.38\%$，移动平均超限频率从 $47.29\%$ 降至 $1.22\%$（$α=0.10$），同时保留了非平凡的可信区域。对 ERA5 风速和 OSTIA 海表温度的实验进一步显示，CARM 在多种 SR 主干网络上均实现了相对一致的提升。\
点评：CARM 通过自适应阈值聚合和因果延迟反馈，成功解决了共形风险掩码在时变环境中的校准问题，提供了理论保证和显著的实证改进，是科学遥感超分辨率可靠性提升的有力工具。