[论文解读] 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 3

一句话总结

本研究提出了一种新颖的混合机器学习模型，结合深度自编码器（DAE）进行降维，以及深度神经网络（DNN）将风暴参数映射到波浪和风暴潮响应，实现在广阔沿海区域的快速、精确预测。该模型在准确性和计算效率方面表现优异，优于仅使用PCA或DAE的解耦方法，适用于早期预警系统和概率风险评估。

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.

研究动机与目标

• 为解决高保真数值模型在概率风险评估和风暴潮与波浪影响实时预测中的计算不可行性。
• 开发一种数据驱动框架，实现在广阔沿海区域对波浪和风暴潮响应的快速评估。
• 在联合训练框架中整合降维与回归建模，以提高预测精度和效率。
• 评估该模型在与解耦方法（分别使用PCA或DAE）对比下的性能表现。
• 展示该模型在实际早期预警系统和沿海风险评估中的适用性。

提出的方法

• 使用深度自编码器（DAE）学习高维空间波浪和风暴潮场的低维潜在表示。
• 训练深度神经网络（DNN）以将风暴参数（如风速、气压、路径）映射到DAE学习到的潜在空间。
• 设计联合加权损失函数，以同时优化DAE和DNN组件，平衡重建精度与预测性能。
• 使用来自大西洋北部综合沿海研究（NACCS）的合成数据对模型进行训练和验证，覆盖纽约和新泽西地区。
• 将性能与两种解耦模型进行基准对比：一种使用PCA + DNN，另一种使用DAE + DNN，其中降维模型与回归模型分别独立训练。
• 混合架构支持端到端学习，保留空间一致性，并在广阔沿海区域提升泛化能力。

实验结果

研究问题

• RQ1 与解耦模型相比，降维与回归的联合训练框架是否能提升波浪和风暴潮响应预测的准确性？
• RQ2 在降低沿海水动力响应的空间维度方面，基于DAE的潜在空间相较于PCA表现如何？
• RQ3 该混合DAE-DNN模型在降低计算成本的同时，能在多大程度上保持空间保真度和预测精度？
• RQ4 所提出的模型能否有效部署于实时早期预警系统或概率风险评估中？
• RQ5 联合加权损失函数对混合模型收敛性和准确性的有何影响？

主要发现

• 与使用PCA或DAE结合DNN的解耦模型相比，混合DAE-DNN模型实现了显著更高的预测精度。
• 该模型在保持波浪和风暴潮预测的高时空分辨率的同时，大幅降低了计算成本。
• 采用加权损失函数的联合训练提升了潜在空间表示的泛化能力，并有效防止了过拟合。
• 该模型在NACCS为纽约和新泽西地区生成的合成数据集中，对多样化风暴情景表现出稳健性能。
• 与基于PCA的替代方案相比，该混合方法更好地保持了风暴潮和波浪场的空间一致性。
• 该模型计算效率足够高，可支持沿海灾害管理中的实时或概率风险评估应用。