用于极端径流预报的非平稳空间模型的深度学习合成似然近似
统计方法学
2024-05-08 v2 应用统计
摘要
极端径流是洪水风险的关键指标，量化其在非平稳气候条件下分布的变化是减轻洪水事件影响的关键。我们提出了一种用于美国中部（CUS）年径流最大值的过程混合非平稳模型（NPMM），该模型利用降尺度气候模式降水预估来预报极端径流。模型的空间依赖性被指定为变换高斯过程与最大稳定过程的凸组合，由一个权重参数索引，该参数标识了过程的渐近 regime。权重参数被建模为 CUS 内两个水文区域各自年降水量的函数，从而在模型中引入时空非平稳性。NPMM 具有灵活性及理想的尾部依赖性质，但会产生难处理的似然。为此，我们将一个神经网络嵌入密度回归模型中，利用不同参数设置下 NPMM 的模拟来学习合成似然函数。我们的模型使用 1972–2021 年的观测数据进行拟合，并在贝叶斯框架下执行推断。基于权重参数的后验分布，估计 CUS 内的两个区域处于不同的渐近 regime。基于全球气候模式在两个代表性气候路径情景下的年径流最大值估计表明，与 1972–2005 年的历史时期相比，2006–2035 年极端径流的频率和量级总体增加。
引用
@article{arxiv.2212.07267,
title = {A Deep Learning Synthetic Likelihood Approximation of a Non-stationary Spatial Model for Extreme Streamflow Forecasting},
author = {Reetam Majumder and Brian Reich},
journal= {arXiv preprint arXiv:2212.07267},
year = {2024}
}