[论文解读] A modular framework for extreme weather generation

Bianca Zadrozny, Campbell Watson+5 more|arXiv (Cornell University)|Feb 5, 2021

Flood Risk Assessment and Management参考文献 17被引用 7

一句话总结

本文提出了一种模块化、基于机器学习的框架，通过将天气生成任务分解为可互换的组件，以生成逼真的极端天气情景。结果表明，条件生成对抗网络（conditional GANs）能够有效生成日尺度的降水时间序列，其表现与最先进的随机天气生成器相当；在正常条件下，GANs略占优势，而在极端事件方面，传统生成器由于依赖于从历史数据中重采样，表现更优。

ABSTRACT

Extreme weather events have an enormous impact on society and are expected to become more frequent and severe with climate change. In this context, resilience planning becomes crucial for risk mitigation and coping with these extreme events. Machine learning techniques can play a critical role in resilience planning through the generation of realistic extreme weather event scenarios that can be used to evaluate possible mitigation actions. This paper proposes a modular framework that relies on interchangeable components to produce extreme weather event scenarios. We discuss possible alternatives for each of the components and show initial results comparing two approaches on the task of generating precipitation scenarios.

研究动机与目标

• 为解决传统随机天气生成器在气候变化背景下难以真实模拟极端天气事件的局限性。
• 开发一种灵活、模块化的框架，整合最先进的机器学习技术，用于极端天气情景生成。
• 评估深度生成模型（特别是 GANs）与成熟的随机天气生成器在生成逼真降水时间序列方面的性能表现。
• 通过季节性气候预测作为控制变量，实现天气情景的条件生成，以支持更优的气候韧性规划。
• 探索使用深度生成模型生成与未来气候预测一致的二维网格化、多变量天气数据的可行性。

提出的方法

• 该框架将极端天气生成分解为模块化组件：数据输入、极端事件检测、基于季节性气候预测的条件控制，以及通过机器学习模型进行天气生成。
• 采用模块化、模型无关的架构，允许各组件中灵活互换使用不同的机器学习和统计模型。
• 使用条件 GANs 生成日尺度降水序列，针对有极端降水事件（定义为 >95百分位数，18.2 mm/day）和无极端事件的月份分别训练独立模型。
• 以基准随机天气生成器（weathergen）作为对比，其采用三状态马尔可夫链模拟事件发生，基于 KNN 的重采样方法处理强度，ARIMA 模型用于年度校准。
• 通过季节性气候预测的协变量对生成过程进行条件控制，以确保与未来气候预测的一致性。
• 评估采用 QQ 图，将每种条件（极端月与正常月）下生成的 100 个情景的降水分布与历史数据进行对比。

实验结果

研究问题

• RQ1 模块化、基于机器学习的框架能否有效生成与历史数据和未来气候预测一致的逼真极端天气情景？
• RQ2 条件 GANs 在模拟日尺度降水时间序列方面，与最先进的随机天气生成器相比表现如何，特别是在极端事件方面？
• RQ3 深度生成模型（如 GANs）在不依赖从历史数据中重采样的前提下，能在多大程度上捕捉极端降水事件的统计特性？
• RQ4 该框架在多大程度上能够将季节性气候预测数据作为控制变量，以条件化生成未来相关联的天气情景？
• RQ5 该模块化设计能否在未来支持对不同机器学习模型以及多变量、网格化天气数据的可扩展实验？

主要发现

• GAN 成功生成了与历史分布高度一致的日尺度降水时间序列，QQ 图显示生成序列具有很强的真实性。
• 在正常月份中，GAN 略优于 weathergen 随机模型，更准确地再现了历史降水分布。
• 在存在极端降水事件的月份中，weathergen 模型表现优于 GAN，可能归因于其依赖于从实际历史极端值中重采样。
• 该模块化框架使得在相同实验条件下，直接比较基于机器学习的生成器与传统统计生成器成为可能。
• 条件 GANs 在未来应用于二维网格化数据和多控制变量方面展现出强大潜力，为气候韧性应用提供了灵活性。
• 该框架的模块化设计支持在所有组件中集成先进的机器学习技术，为可扩展的、条件化的极端天气情景生成铺平了道路。