[논문 리뷰] 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)|2024. 01. 11.

Tropical and Extratropical Cyclones ResearchEarth and Planetary Sciences인용 수 3

한 줄 요약

이 연구는 고차원 공간적 파랑 및 tidal surge 필드의 차원 축소를 위한 딥 오토에인커(DAE)와 탌리우스 파rameter를 파랑 및 storm surge 반응으로 매핑하기 위한 딥 네ural 네트워크(DNN)를 조합한 새로운 하이브리드 기계학습 모델을 제시한다. 이는 확장된 해안 지역에서 빠르고 정확한 예측을 가능하게 하며, 고성능 수치 모델의 계산 비용 문제를 해결한다. 모델은 PCA나 DAE 단독 사용 시의 분리된 접근 방식보다 뛰어난 정확도와 계산 효율성을 달성하며, 조기 경고 시스템 및 확률적 위험 평가에 적합하다.

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.

연구 동기 및 목표

• 확률적 위험 평가 및 실시간 예측을 위한 고정밀 수치 모델의 계산 비용 문제를 해결하기 위해.
• 확장된 해안 지역에서 파랑 및 surge 반응을 신속하게 평가할 수 있는 데이터 기반 프레임워크를 개발하기 위해.
• 차원 축소와 회귀 모델링을 공동 학습 프레임워크 내에서 통합하여 예측 정확도와 효율성을 향상시키기 위해.
• DAE와 DNN를 별도로 학습하는 분리된 모델들과 비교하여, 모델의 성능을 평가하기 위해.
• 제안된 모델이 운영용 조기 경고 시스템 및 해안 위험 평가에 효과적으로 활용될 수 있는지 확인하기 위해.

제안 방법

• 고차원 공간적 파랑 및 surge 필드의 저차원 잠재 표현을 학습하기 위해 딥 오토에인커(DAE)를 사용한다.
• 태풍 파arameter(예: 풍속, 기압, 이동 경로)를 DAE가 학습한 잠재 공간으로 매핑하기 위해 딥 네ural 네트워크(DNN)를 학습한다.
• 재구성 정확도와 예측 성능를 균형 잡기 위해, DAE와 DNN 구성 요소를 동시에 최적화하는 조합된 가중 손실 함수를 설계한다.
• 뉴욕과 뉴저지 지역에 대한 노스 대서양 종합 해안 연구(NACCS)에서 생성한 합성 데이터를 사용하여 모델을 학습하고 검증한다.
• 두 가지 분리된 모델(PCA + DNN 및 DAE + DNN)과의 성능 비교를 통해 기준을 설정한다. 여기서 차원 축소 모델과 회귀 모델은 별도로 학습된다.
• 하이브리드 아키텍처는 엔드 투 엔드 학습을 가능하게 하여 공간적 일관성을 유지하고, 확장된 해안 영역에서 일반화 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 차원 축소와 회귀 모델의 공동 학습 프레임워크는 분리된 모델 대비 파랑 및 storm surge 반응 예측 정확도를 향상시킬 수 있는가?
• RQ2 PCA 대비 DAE 기반 잠재 공간은 해안 수문학적 반응의 공간 차원을 줄이는 데 얼마나 효과적인가?
• RQ3 하이브리드 DAE-DNN 모델은 계산 비용을 줄이면서도 공간 정밀도와 예측 정확도를 어느 정도 유지하는가?
• RQ4 제안된 모델은 실시간 조기 경고 시스템이나 확률적 위험 평가에 효과적으로 구현될 수 있는가?
• RQ5 통합 가중 손실 함수는 하이브리드 모델의 수렴성과 정확도에 어떤 영향을 미치는가?

주요 결과

• 하이브리드 DAE-DNN 모델은 PCA 또는 DAE를 DNN와 별도로 사용하는 분리된 모델보다 유의미하게 높은 예측 정확도를 달성한다.
• 모델은 파랑 및 surge 예측의 고해상도를 유지하면서도 계산 비용을 크게 줄인다.
• 가중 손실 함수를 통한 공동 학습은 잠재 공간 표현의 일반화 능력을 향상시키고 과적합을 방지한다.
• 뉴욕과 뉴저지 지역의 NACCS 합성 데이터셋에서 다양한 태풍 시나리오에 대해 모델은 뛰어난 성능을 보였다.
• 하이브리드 접근 방식은 PCA 기반 대안보다 storm surge 및 파랑 필드의 공간 일관성을 더 잘 유지한다.
• 모델는 실시간 또는 확률적 위험 평가 응용 분야에서 해안 위험 관리에 적합한 계산 효율성을 확보하고 있다.