[论文解读] 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 5

一句话总结

本文提出了一种新颖的混合模型，结合深度卷积生成对抗网络（DCGANs）与极值理论（EVT），以模拟孟加拉湾区域的多变量、空间一致的复合气候灾害——具体为每日最大风速、有效波高和降水。通过在归一化每日极值上进行训练，并利用广义极值（GEV）分布进行尾部分布外推，该模型能够高效生成数千个物理上合理的合成事件，准确捕捉复杂的时空及跨变量极值依赖结构，尽管在一定程度上存在对最极端事件的低估倾向。

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.

研究动机与目标

• 为解决单变量和参数化多变量极值模型在捕捉空间一致的复合气候灾害方面的局限性。
• 克服高维气候数据依赖结构建模中的维度灾难问题。
• 开发一种计算高效的合成方法，用于生成大规模、物理上真实的复合灾害事件集合。
• 将深度生成模型与极值理论相结合，实现在多变量分布尾部分布的可控、可解释的外推。
• 通过空间和多变量一致的合成灾害数据，提升气候风险评估与灾害应对准备能力。

提出的方法

• 该模型使用在孟加拉湾区域0.25°分辨率的网格化、每日最大气候变量（风速、波高、降水）上训练的深度卷积生成对抗网络（DCGAN）。
• 通过概率积分变换对数据进行归一化，以分离边缘分布与依赖结构，使生成对抗网络能够在统一空间中学习多变量依赖关系。
• 使用广义极值（GEV）分布对每日极值的单变量边缘分布进行建模，通过最大似然估计方法估计分布参数，以实现对极值尾部的可控外推。
• 利用拟合的GEV参数对生成的统一分布样本应用逆概率积分变换，将其转换回原始物理单位。
• 通过极值系数和极值相关性量化极值依赖关系，并在训练集、测试集和生成数据集之间进行比较，以验证模型性能。
• 评估模型在再现高影响区域附近空间和多变量极值依赖模式方面的能力，特别是靠近陆地区域。

实验结果

研究问题

• RQ1 DCGAN能否有效学习并再现复合气候灾害中风速、波高和降水变量之间复杂的时空多变量极值依赖结构？
• RQ2 与真实观测相比，混合DCGAN-EVT框架在合成数据中对极端事件统计特性的保持程度如何？
• RQ3 该模型在孟加拉湾范围内多大程度上捕捉了极值依赖关系的空间异质性？
• RQ4 GAN在表征最极端尾部分布事件方面存在哪些局限性？如何加以缓解？
• RQ5 该模型能否推广至其他具有相似计算效率和物理真实性的多变量、空间气候数据集？

主要发现

• DCGAN成功捕捉了风速、波高和降水变量之间多变量极值依赖关系的整体空间结构，表现为真实数据与生成数据之间极值系数分布的可比性。
• 模型存在对最极端事件的系统性低估，生成样本倾向于聚集在分布中心，尤其在高影响沿海区域表现明显。
• 生成数据的极值系数估计值在陆地方向附近偏高（表明依赖性较弱），提示模型在地形特征附近存在空间异质的极值依赖关系低估。
• 该模型能够大规模生成物理上合理的复合灾害事件，支持高效模拟数千个合成事件，适用于风险评估。
• 通过概率积分变换与基于GEV的逆变换，确保了生成样本在统计上的一致性，并可在物理单位下进行解释。
• 模型性能对潜在空间分布的选择较为敏感，通过采用如学生t分布等重尾分布可能进一步提升性能。