[论文解读] Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk

Olivier C. Pasche, Sebastian Engelke|arXiv (Cornell University)|Aug 16, 2022

Hydrological Forecasting Using AI被引用 14

一句话总结

本文提出EQRN，一种将极值理论与深度学习相结合的循环神经网络框架，用于在具有复杂协变量依赖性的时间序列中实现高分位数回归的精确外推。该方法预测瑞士阿勒河流域的一天期动态条件性百年一遇洪水重现水平，相较于竞争对手在捕捉时间动态性和适应气候引起的分布变化方面表现更优。

ABSTRACT

Risk assessment for extreme events requires accurate estimation of high quantiles that go beyond the range of historical observations. When the risk depends on the values of observed predictors, regression techniques are used to interpolate in the predictor space. We propose the EQRN model that combines tools from neural networks and extreme value theory into a method capable of extrapolation in the presence of complex predictor dependence. Neural networks can naturally incorporate additional structure in the data. We develop a recurrent version of EQRN that is able to capture complex sequential dependence in time series. We apply this method to forecast flood risk in the Swiss Aare catchment. It exploits information from multiple covariates in space and time to provide one-day-ahead predictions of return levels and exceedance probabilities. This output complements the static return level from a traditional extreme value analysis, and the predictions are able to adapt to distributional shifts as experienced in a changing climate. Our model can help authorities to manage flooding more effectively and to minimize their disastrous impacts through early warning systems.

研究动机与目标

• 开发一种灵活、数据驱动的方法，用于预测随气候变化而变化的极端洪水风险，并适应分布变化。
• 通过引入上游流量和降水等时变协变量，克服传统极值分析中静态、无条件重现水平的局限性。
• 利用水文数据中的序列依赖关系，实现对高分位数（如百年一遇重现水平）的一天期前瞻性预测。
• 通过提供动态、协变量依赖的风险评估，提升早期预警系统的可靠性，以反映实时状况。
• 证明该方法在捕捉洪水风险预测中的时间动态性和尾部分布行为方面，优于现有的机器学习和统计方法。

提出的方法

• EQRN使用深度神经网络将广义帕累托分布（GPD）的参数（形状ξ和尺度σ）建模为协变量的非线性函数。
• 该模型采用循环神经网络（RNN）架构，以捕捉水文协变量时间序列（如日流量和降水）中的序列依赖性。
• 损失函数基于GPD的负对数似然，支持极端分位数估计的端到端训练。
• 通过学习预测变量与极端尾部分布行为之间的复杂非线性关系，实现对历史数据之外的外推。
• 该框架支持条件分位数回归，其中百年一遇重现水平被估计为当前和过去协变量值的函数。
• 通过模拟研究和对阿勒河流域真实洪水数据的验证图，支持模型校准与不确定性评估。

实验结果

研究问题

• RQ1 基于神经网络的模型能否通过学习气象与水文协变量之间复杂非线性依赖关系，有效预测极端洪水风险？
• RQ2 EQRN在捕捉洪水风险随时间演变的时间动态性以及适应分布变化方面表现如何？
• RQ3 与非循环模型相比，EQRN的循环结构在序列数据设置中在多大程度上提升了预测准确性？
• RQ4 在真实世界条件下，EQRN与ERF、GBEX及物理模型等成熟方法相比，在极端分位数预测方面表现如何？
• RQ5 该模型能否提供可靠、动态的重现水平估计，以支持洪水管理中的早期预警系统？

主要发现

• EQRN成功预测了一天期条件性百年一遇洪水重现水平，其值随上游流量和降水动态变化，而传统静态重现水平不具备此特性。
• 在捕捉时间模式和尾部分布行为方面，EQRN优于ERF和GBEX等竞争方法，尤其在依赖性数据场景中表现更优。
• 在2005年洪水事件中，EQRN的预测结果比竞争对手更一致、更平稳，表明其在极端条件下的可靠性更高。
• EQRN的循环结构有助于更好地建模序列依赖性，这对时间序列中准确的洪水风险预测至关重要。
• 补充材料中的模拟研究证实，当真实分位数函数复杂且非线性时，EQRN优于树基方法。
• 该方法对数据中的结构突变具有鲁棒性，例如阿勒河流域在1990年代出现的结构突变，这对传统极值模型构成挑战。