[논문 리뷰] 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)|2023. 11. 30.

Tropical and Extratropical Cyclones Research인용 수 5

한 줄 요약

이 논문은 벵골만에서의 일일 최대 풍속, 파고 높이, 강수량과 같은 다변량이고 공간적으로 일관된 복합 기후 위기 상황을 시뮬레이션하기 위해 딥 컨volution 제너레이티브 적대적 네트워크(DCGAN)와 초과값 이론(EVT)을 융합한 새로운 하이브리드 모델을 제안한다. 정규화된 일일 최대치를 기반으로 훈련하고, GEV 분포를 사용해 꼬리 부분을 외삽함으로써, 물리적으로 현실적인 수천 개의 합성 이벤트를 효율적으로 생성하며, 복잡한 공간적 및 다변량 극단적 종속성 구조를 포착한다. 다만 가장 극단적인 사건들을 약간 과소평가하는 경향이 있다.

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.

연구 동기 및 목표

• 공간적으로 일관된 복합 기후 위기 상황을 포착하지 못하는 단변량 및 비모수적 다변량 극단가치 모델의 한계를 해결하기 위해.
• 고차원 기후 데이터의 종속성 구조 모델링에서 발생하는 차원의 저주 문제를 극복하기 위해.
• 대규모의 합성 물리적 현실성을 갖춘 복합 위기 이벤트 앙상블을 효율적으로 생성하는 방법을 개발하기 위해.
• 딥 제너레이티브 모델과 초과값 이론을 융합하여 다변량 분포의 꼬리 부분으로의 제어되고 해석 가능한 외삽을 가능하게 하기 위해.
• 공간적·다변량으로 일관된 합성 위기 데이터를 통해 기후 위험 평가 및 재난 대비 능력을 향상시키기 위해.

제안 방법

• 모델은 벵골만 지역에서 0.25° 해상도로 제공된 격자형 일일 최대 기후 변수(풍속, 파고 높이, 강수량)에 대해 훈련된 딥 컨volution 제너레이티브 적대적 네트워크(DCGAN)를 사용한다.
• 모수적 분포와 종속성 구조를 분리하기 위해 확률적 적분 변환을 사용하여 데이터를 정규화함으로써, GAN이 균일 공간에서 다변량 종속성을 학습할 수 있도록 한다.
• 일일 최대치의 단변량 모수적 분포는 일반화된 극단가치(GEV) 분포로 모델링되며, 최대우도 추정을 통해 모수를 추정함으로써 극단 꼬리 부분으로의 제어된 외삽이 가능해진다.
• 적합된 GEV 모수를 사용하여 생성된 균일 샘플에 대해 역확률적 적분 변환을 적용함으로써 원래 물리 단위로 변환한다.
• 극단적 종속성은 극단적 계수와 극단적 상관계수를 사용하여 측정되며, 이는 훈련, 테스트 및 생성된 데이터셋 간에 비교되어 모델 성능을 검증한다.
• 모델은 특히 육지 근처의 고위험 지역에서 공간적 및 다변량 극단적 종속성 패턴을 얼마나 잘 재현하는지 평가된다.

실험 결과

연구 질문

• RQ1 DCGAN은 복합 기후 위기 상황의 복잡한 공간적 및 다변량 극단적 종속성 구조를 효과적으로 학습하고 재현할 수 있는가?
• RQ2 하이브리드 DCGAN-EVT 프레임워크는 실제 관측치와 비교해 합성 데이터에서 극단적 사건의 통계적 성질을 얼마나 잘 유지하는가?
• RQ3 모델은 벵골만 전역에서 극단적 종속성의 공간 이질성을 어느 정도 잘 포착하는가?
• RQ4 GAN이 가장 극단적인 꼬리 사건을 표현하는 데에서 어떤 한계를 지니며, 이를 어떻게 보완할 수 있는가?
• RQ5 이 모델은 유사한 계산 효율성과 물리적 현실성을 갖춘 다른 다변량·공간 기후 데이터셋으로 일반화될 수 있는가?

주요 결과

• DCGAN은 실제 데이터와 생성된 데이터 간의 극단적 계수 분포가 유사함을 바탕으로, 풍속, 파고 높이, 강수량 변수 간의 다변량 극단적 종속성의 일반적인 공간적 구조를 성공적으로 포착한다.
• 모델은 가장 극단적인 사건들을 과소평가하는 경향이 있으며, 특히 고위험 해안 지역에서 생성된 샘플이 분포의 중심부에 집중하는 경향을 보인다.
• 생성된 데이터의 극단적 계수 추정치는 육지 근처에서 높은 값을 보이며, 이는 지형적 특징 근처에서 극단적 종속성이 공간적으로 약하게 평가됨을 시사한다.
• 모델은 위험 평가를 위한 효율적인 수천 개의 합성 이벤트 시뮬레이션을 가능하게 하며, 물리적으로 현실적인 복합 위기 이벤트를 대규모로 생성한다.
• 확률적 적분 변환과 GEV 기반의 역변환을 사용함으로써 생성된 샘플이 통계적으로 일관되며 물리 단위로도 해석 가능해진다.
• 모델 성능은 잠재 공간 분포의 선택에 민감하며, 스udent의 t-분포와 같은 꼬리가 두꺼운 분포를 사용할 경우 향상 가능성이 있다.