结合深度生成模型与极值理论用于合成灾害模拟：一种多元且空间相干的方法
机器学习
2023-12-01 v1
摘要
气候灾害作为复合灾害同时发生时会造成重大灾难。为理解气候风险分布并为适应政策提供信息，科学家需要模拟大量物理真实且空间相干的事件。现有方法受计算限制，且复合事件的概率空间分布未得到足够重视。当前方法的瓶颈在于变量间依赖结构的建模，因为参数模型的推断受维数灾难影响。生成对抗网络（GANs）非常适合此类问题，因其能在高维设置中隐式学习数据分布。我们采用GAN对孟加拉湾每日最大风速、有效波高和总降水量的依赖结构建模，并将其与传统极值理论结合以对尾部进行可控外推。一旦训练完成，该模型可用于高效生成数千个真实复合灾害事件，从而为气候适应与灾害准备的气候风险评估提供信息。所开发的方法灵活且可迁移至其他多元空间气候数据集。
引用
@article{arxiv.2311.18521,
title = {Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach},
author = {Alison Peard and Jim Hall},
journal= {arXiv preprint arXiv:2311.18521},
year = {2023}
}
备注
Accepted at NeurIPS 2023 Workshop: Tackling Climate Change with Machine Learning (CCAI)