将统计引入故事线：针对突发、瞬变极端事件的罕见事件采样

气候科学和天气风险管理的一个主要目标是准确模拟极端事件的物理和统计特性。这两个目标从根本上存在矛盾：计算模型的分辨率越高，捕获分布尾部准确统计所需的集合就越昂贵。在这里，我们关注空间和时间上局部的极端事件，例如强降水事件，这些事件可能突然开始并迅速衰减。我们提出了一种比直接气候模型模拟更有效地采样此类事件的方法。我们的方法结合了两种近期方法的元素：自适应多层分裂（AMS），一种以较低成本生成严格统计的罕见事件算法，但不适用于突然、瞬变的极端事件；以及"集合增强"（ensemble boosting），它生成这些事件的物理合理的故事线，但不生成其统计。我们通过提前分裂轨迹（在事件发生之前）来修改AMS，遵循集合增强的方法，这在Lorenz-96模型的测试中被证明对于放大和多样化模拟事件至关重要。早期分裂需要一个拒绝步骤，这降低了效率，但尽管如此，我们证明在Lorenz-96中，相对于直接采样，极端局部事件的采样效率提高了约一个数量级。我们的工作在罕见事件采样中由快速动力学时间尺度带来的挑战方面取得了进展，并与可靠性工程中的现有方法建立了联系，我们认为这些方法可以进一步用于天气风险评估。