使用生成模型生成真实的英国风暴人口

风暴对英国影响巨大，造成严重的财产损失、社会破坏，并可能导致生命损失。对这类事件的准确建模和理解对于有效的风险评估和缓解至关重要。然而，极端风暴的罕见性导致观测数据有限，这给全面分析和保险建模带来了重大挑战。本文探讨了生成模型在生成真实合成风场数据中的应用，旨在增强保险业当前使用的 CAT 模型的稳健性。本研究使用了 ERA5 数据集 1940 年至 2022 年的逐小时再分析数据。采用标准 GAN、WGAN-GP 和 U-net 扩散模型三种模型生成了高质量的英国风场图。随后使用多种指标对这些模型进行评估，包括 SSIM、KL 散度和 EMD，并使用 PCA 在降维空间中进行部分评估。结果显示，虽然所有模型都能有效捕捉一般空间特征，但每个模型都表现出明显的优缺点。与其他模型相比，标准 GAN 引入了更多噪声。WGAN-GP 模型表现出优越的性能，特别是在复制统计分布方面。U-net 扩散模型产生了视觉上最连贯的输出，但在复制峰值强度及其统计变异性方面稍显不足。本研究强调了生成模型利用合成数据补充有限再分析数据集的潜力，为风险评估和灾难建模提供了有价值的工具。然而，选择适当的评估指标来评估生成输出的不同方面非常重要。未来的工作可以改进这些模型并纳入更多...