[論文レビュー] Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach

Alison Peard, Jim W. Hall|arXiv (Cornell University)|Nov 30, 2023

Tropical and Extratropical Cyclones Research被引用数 5

ひとこと要約

本稿では、深層畳み込み生成対抗ネットワーク（DCGAN）と極値理論（EVT）を組み合わせた新規ハイブリッドモデルを提案する。このモデルは、ベンガル湾における、1日最大風速、波高、降水量の3変数にわたる空間的に一貫した複合気候災害をシミュレートすることを目的としている。正規化された1日最大値を用いた学習と、極値分布（GEV）による尾部外挿により、数千件にの及ぶ物理的に現実的な合成イベントを効率的に生成でき、複雑な空間的および変数間の極値的依存構造を捉えているが、やや極端なイベントを低く見積もる傾向がある。

ABSTRACT

Climate hazards can cause major disasters when they occur simultaneously as compound hazards. To understand the distribution of climate risk and inform adaptation policies, scientists need to simulate a large number of physically realistic and spatially coherent events. Current methods are limited by computational constraints and the probabilistic spatial distribution of compound events is not given sufficient attention. The bottleneck in current approaches lies in modelling the dependence structure between variables, as inference on parametric models suffers from the curse of dimensionality. Generative adversarial networks (GANs) are well-suited to such a problem due to their ability to implicitly learn the distribution of data in high-dimensional settings. We employ a GAN to model the dependence structure for daily maximum wind speed, significant wave height, and total precipitation over the Bay of Bengal, combining this with traditional extreme value theory for controlled extrapolation of the tails. Once trained, the model can be used to efficiently generate thousands of realistic compound hazard events, which can inform climate risk assessments for climate adaptation and disaster preparedness. The method developed is flexible and transferable to other multivariate and spatial climate datasets.

研究の動機と目的

• 空間的に一貫した複合気候災害を捉えることが難しい従来の単変量およびパラメトリック多変量極値モデルの限界を克服すること。
• 高次元気候データにおける依存構造モデリングにおける次元の呪いを克服すること。
• 大規模なアンサンブルの合成的で物理的に現実的な複合災害イベントを生成する計算的に効率的な手法を開発すること。
• 深層生成モデルと極値理論を統合し、多変量分布の尾部への制御的かつ解釈可能な外挿を可能にすること。
• 空間的および多変量に一貫した合成災害データを通じて、気候リスク評価および災害対策の向上を実現すること。

提案手法

• 本モデルは、ベンガル湾全域にわたる0.25°解像度のグリッド化された1日最大気象変数（風速、波高、降水量）を学習対象とする深層畝込みGAN（DCGAN）を用いる。
• 周辺分布と依存構造を分離するために、確率積分変換を用いてデータを正規化し、GANが一様空間における多変量依存構造を学習できるようにする。
• 1日最大値の単変量周辺分布は、一般化極値（GEV）分布でモデル化され、最尤推定によりパラメータが推定され、極端な尾部への制御された外挿が可能になる。
• 生成された一様サンプルに対して、適合したGEVパラメータを用いて逆確率積分変換を適用し、元の物理的単位に戻す。
• 極値的依存は、極値係数と極値相関を用いて定量化され、訓練データ、テストデータ、および生成データの間で比較され、モデルの性能を検証する。
• モデルは、特に陸に近い高影響地域における、空間的および多変量の極値的依存パターンの再現能力について評価される。

実験結果

リサーチクエスチョン

• RQ1 DCGANは、複合気候災害の複雑な空間的および多変量の極値的依存構造を効果的に学習し、再現できるか？
• RQ2 ハイブリッド DCGAN-EVT フレームワークは、観測データと比較して、合成データにおける極値的イベントの統計的性質をどの程度正確に保持しているか？
• RQ3 本モデルは、ベンガル湾全域における極値的依存の空間的非定常性をどの程度捉えているか？
• RQ4 GANが最も極端な尾部イベントを表現する際に抱える限界は何か。また、それらはどのように緩和可能か？
• RQ5 本モデルは、類似した計算効率と物理的現実性を有する他の多変量・空間的気候データセットに対しても一般化可能か？

主な発見

• DCGANは、風速、波高、降水量の3変数間の多変量極値的依存構造の一般的な空間的構造を成功裏に捉え、実データと生成データの両方における極値係数の分布が類似していることから裏付けられている。
• 生成されたサンプルは、特に高影響地域の沿岸部において、分布の中心付近に集中する傾向があり、極端なイベントを低く見積もるバイアスを示している。
• 生成データの極値係数推定値は、陸に近い地域でやや高くなる（つまり、依存性が弱い）傾向を示しており、地形的要因に近接する地域における極値的依存の空間的変動する低く見積もられがちな傾向が示唆される。
• 本モデルは、リスク評価のためのスケーラブルな方法で物理的に現実的な複合災害イベントを生成でき、数千件の合成イベントを効率的にシミュレート可能である。
• 確率積分変換とGEVに基づく逆変換の使用により、生成されたサンプルは統計的に整合的であり、物理的単位でも解釈可能であることが保証される。
• 本モデルの性能は、潜在空間分布の選択に敏感であり、スルム分布などの重い尾を持つ分布を用いることでさらなる改善が可能である可能性がある。