[論文レビュー] A Novel Hybrid Machine Learning Model for Rapid Assessment of Wave and Storm Surge Responses Over an Extended Coastal Region

Saeed Saviz Naeini, Reda Snaiki|arXiv (Cornell University)|Jan 11, 2024

Tropical and Extratropical Cyclones ResearchEarth and Planetary Sciences被引用数 3

ひとこと要約

本研究では、次元削減に深層自己符号化器（DAE）を、波および高潮応答へのマッピングに深層ニューラルネットワーク（DNN）を組み合わせた新規ハイブリッド機械学習モデルを提示する。このモデルにより、広範な沿岸地域における迅速かつ高精度な予測が可能となり、早期警戒システムや確率的リスクアセスメントに適している。モデルは、PCAやDAE単体を使用する分離型アプローチを上回る高い精度と計算効率を達成している。

ABSTRACT

Storm surge and waves are responsible for a substantial portion of tropical and extratropical cyclones-related damages. While high-fidelity numerical models have significantly advanced the simulation accuracy of storm surge and waves, they are not practical to be employed for probabilistic analysis, risk assessment or rapid prediction due to their high computational demands. In this study, a novel hybrid model combining dimensionality reduction and data-driven techniques is developed for rapid assessment of waves and storm surge responses over an extended coastal region. Specifically, the hybrid model simultaneously identifies a low-dimensional representation of the high-dimensional spatial system based on a deep autoencoder (DAE) while mapping the storm parameters to the obtained low-dimensional latent space using a deep neural network (DNN). To train the hybrid model, a combined weighted loss function is designed to encourage a balance between DAE and DNN training and achieve the best accuracy. The performance of the hybrid model is evaluated through a case study using the synthetic data from the North Atlantic Comprehensive Coastal Study (NACCS) covering critical regions within New York and New Jersey. In addition, the proposed approach is compared with two decoupled models where the regression model is based on DNN and the reduction techniques are either principal component analysis (PCA) or DAE which are trained separately from the DNN model. High accuracy and computational efficiency are observed for the hybrid model which could be readily implemented as part of early warning systems or probabilistic risk assessment of waves and storm surge.

研究の動機と目的

• 確率的リスクアセスメントおよびリアルタイム予測のための高精度数値モデルの計算上の非現実性に対処すること。
• 広範な沿岸地域における波および高潮応答の迅速な評価を可能にするデータ駆動型フレームワークの開発すること。
• 次元削減と回帰モデリングを統合した共同学習フレームワークを用いて、予測精度と効率を向上させること。
• PCAやDAEを回帰モデルとは別に学習させる分離型アプローチと比較して、モデルの性能を評価すること。
• 本モデルが運用上の早期警戒システムや沿岸リスクアセスメントへの応用に実際に有効であることを示すこと。

提案手法

• 高次元の空間的波および高潮場の低次元潜在表現を学習するために、深層自己符号化器（DAE）が用いられる。
• 暴風速、気圧、進路などの暴風パラメータを、DAEが学習した潜在空間にマッピングするための深層ニューラルネットワーク（DNN）が訓練される。
• 再構成精度と予測性能の両方をバランスさせるために、DAEおよびDNNの両方を同時に最適化する重み付き損失関数が設計される。
• ニューヨーク州およびニュージャージー州の北アトランティック包括沿岸調査（NACCS）から生成された合成データを用いて、モデルの訓練および検証が行われる。
• PCA + DNNおよびDAE + DNNの2つの分離型モデルと性能を比較評価する。この2つのモデルでは、次元削減と回帰モデルが別々に訓練される。
• ハイブリッドアーキテクチャにより、エンドツーエンドの学習が可能となり、空間的一致性が保たれ、広範な沿岸域における一般化性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 次元削減と回帰の共同学習フレームワークは、分離型モデルと比較して波および高潮応答の予測精度を向上させることができるか？
• RQ2 PCAと比較して、DAEベースの潜在空間は、沿岸水理的応答の空間次元を低減する際にどの程度優れているか？
• RQ3 ハイブリッドDAE-DNNモデルは、計算コストを削減しつつ、どの程度空間的忠実性と予測精度を維持できるか？
• RQ4 提案されたモデルは、リアルタイムの早期警戒システムや確率的リスクアセスメントに実際に効果的に導入可能か？
• RQ5 重み付き損失関数を統合することで、ハイブリッドモデルの収束性および精度にどのような影響があるか？

主な発見

• ハイブリッドDAE-DNNモデルは、PCAまたはDAEをDNNと別々に使用する分離型モデルよりも顕著に高い予測精度を達成した。
• モデルは、波および高潮の予測において高い空間的・時間的解像度を維持しながら、計算コストを大幅に削減した。
• 重み付き損失関数を用いた共同学習により、潜在空間表現における一般化性能が向上し、過学習のリスクが低減された。
• モデルは、ニューヨーク州およびニュージャージー州のNACCS合成データセットにおける多様な暴風シナリオにおいて、強固な性能を示した。
• ハイブリッドアプローチは、PCAベースの代替手法よりも、高潮および波場の空間的一致性をよりよく保持した。
• モデルは計算効率が高いため、沿岸災害管理におけるリアルタイムまたは確率的リスクアセスメントの応用に適している。