LASSE: 非平稳气候状态下风暴潮极值的主动学习采样
大气与海洋物理
2025-01-07 v2 机器学习
地球物理
摘要
识别产生破坏性风暴潮的热带气旋以进行风险评估（例如从用于气候研究的大规模降尺度风暴目录中）通常是棘手的，因为它需要大量昂贵的蒙特卡洛水动力模拟。在这里，我们表明代理模型在准确性、召回率和精确度方面很有前景，并且它们可以“泛化”到新的气候情景。然后，我们提出一种信息性在线学习方法，仅使用少量水动力模拟即可快速搜索产生极端风暴潮的气旋。从具有详细风暴潮水动力模拟的最小TC子集开始，代理模型选择信息性数据在线重新训练，并迭代改进其对破坏性TC的预测。对大规模降尺度TC目录的结果表明，使用不到20%的模拟作为训练，在检索罕见破坏性风暴时达到了100%的精确度。这种信息性采样方法高效、可扩展到大型风暴目录，并且可泛化到各种气候情景。
引用
@article{arxiv.2501.00149,
title = {LASSE: Learning Active Sampling for Storm Tide Extremes in Non-Stationary Climate Regimes},
author = {Grace Jiang and Jiangchao Qiu and Sai Ravela},
journal= {arXiv preprint arXiv:2501.00149},
year = {2025}
}
备注
minor corrections and editing