基于部分可解释神经网络的时空极端美国野火回归建模

许多环境场景下的风险管理需要理解驱动极端事件的机制。量化此类风险的有用量度是响应变量在描述气候、生物圈和环境状态等预测变量条件下的极端分位数。通常这些分位数位于可观测数据范围之外，因此在估计时需要在回归框架内指定参数化极值模型。此背景下的经典方法利用预测变量与响应变量之间的线性或加性关系，并在预测能力或计算效率上有所欠缺；此外，其简单性不太可能捕捉导致极端野火形成的真正复杂结构。本文提出一种利用人工神经网络进行极端分位数回归的新方法框架，该网络能够捕捉复杂的非线性关系并良好地扩展到高维数据。神经网络的“黑箱”特性意味着其缺乏从业者通常青睐的可解释性这一理想特质；因此，我们将线性与加性回归方法与深度学习相统一，创建可用于统计推断但保持高预测精度的部分可解释神经网络。作为该方法的补充，我们进一步提出一种新颖的极值点过程模型，克服了广义极值类分布有限的低端点的难题。我们所提出的统一框架的有效性在美国野火数据上得到展示，该数据具有高维预测变量集，并且我们展示了相对于线性和基于样条的回归技术在预测性能上的巨大提升。