通过分布信息图神经网络（DI-GNN）提升热浪预测：将极值理论集成于图神经网络
机器学习
2024-11-21 v1 大气与海洋物理
物理与社会
摘要
热浪是持续的极端高温时段 due to 气候变暖而频繁性和严重性加剧，对公共健康、生态系统和基础设施构成重大风险。尽管机器学习（ML）模型取得了进展，但在天气尺度（1--15 天）上实现准确的热浪预测仍然具有挑战性，这是由于大气驱动因素之间的非线性相互作用以及这些极端事件的稀有性。依赖经验特征工程的传统模型往往难以在不同气候条件下泛化，并捕捉热浪动力学的复杂性。本研究引入分布信息图神经网络（DI-GNN），一种新型框架，将极值理论（EVT）原理集成到图神经网络架构中。DI-GNN 将由广义帕累托分布（GPD）推导出的描述符纳入特征空间、邻接矩阵和损失函数，以增强其对稀有热浪事件的敏感性。通过优先考虑气候分布的尾部，DI-GNN 解决了现有方法的局限性，尤其是在不平衡数据集中，传统准确率指标易产生误导。使用来自不列颠哥伦比亚加拿大天气站数据的实证评估表明，DI-GNN 在平衡准确率、召回率和精确率方面显著优于基准模型，具有高 AUC 和平均精确率分数，体现了其在区分热浪事件方面的鲁棒性。
引用
@article{arxiv.2411.13496,
title = {Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs},
author = {Farrukh A. Chishtie and Dominique Brunet and Rachel H. White and Daniel Michelson and Jing Jiang and Vicky Lucas and Emily Ruboonga and Sayana Imaash and Melissa Westland and Timothy Chui and Rana Usman Ali and Mujtaba Hassan and Roland Stull and David Hudak},
journal= {arXiv preprint arXiv:2411.13496},
year = {2024}
}
备注
23 pages, 13 figures, pdf format