面向演化景观与气候情景的区域风暴 surges 代理模型训练的高效策略
大气与海洋物理
2025-12-19 v3
摘要
沿海社区面临着风暴引发的沿海洪水带来的重大风险，这会导致全球范围内的巨额社会和经济损失。由于计算能力的提升，机器学习技术日益被集成到沿海灾害建模中，尤其是用于风暴 surges 预测。然而，纳入多个预测未来气候和景观情景需要对大范围地理空间域上的合成风暴套件进行大量数值模拟，导致计算成本快速攀升。本研究提出了一种针对基于机器学习的风暴 surges 代理模型的成本效益训练数据降低策略，能够在最小化计算负担的同时，高效地纳入新的未来情景。该策略在三个维度上减少训练数据：网格点、输入特征和风暴套件规模。减少未来情景模拟的风暴套件规模在引导数值模拟方面效果显著，可显著降低模拟成本。对不同机器学习算法训练的代理模型性能进行评估。结果表明，所提出的降低策略在不同模型类型下都具有鲁棒性。当仅使用 5,000 个网格点中的 80,000 个、10 个输入特征中的 12 个和 60 个风暴中的 90 个进行训练时，总体训练数据集规模降低至约 5%。尽管数据量大幅减少，但训练得到的模型相关系数可达 0.94，与使用完整数据集训练的模型相当。此外，还引入了风暴选择方法，以支持未来情景分析中高效的风暴集合扩展。
引用
@article{arxiv.2511.07269,
title = {An Efficient Regional Storm Surge Surrogate Model Training Strategy Under Evolving Landscape and Climate Scenarios},
author = {Ziyue Liu and Mohammad Ahmadi Gharehtoragh and Brenna Kari Losch and David R. Johnson},
journal= {arXiv preprint arXiv:2511.07269},
year = {2025}
}