arrow
返回

Simulating spatial multi-hazards with generative deep learning

delete2026-04-14
delete0
delete
OA
AI
A
Alison Peard *
Y
Yu Mo
J
Jim W. Hall
DOI:10.5194/nhess-26-1663-2026delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
自然灾害的并发或大范围蔓延可能引发重大灾害。为进行准确的风险分析,需要模拟多个空间分辨率的灾害事件以捕捉极端变量间的关系,但这对传统统计方法(尤其在高维场景下)构成了挑战。本文表明,生成式深度学习模型——结合训练数据的特定变换——可为随机采样真实的复合灾害事件提供一种实用替代方法。我们的框架采用生成对抗网络与极值理论相结合的混合方法,能够捕捉网格化多变量气象数据中的复杂依赖结构,同时为向新极端值的延伸提供理论依据。我们将该方法应用于孟加拉湾风暴期间强风、强降水和低气压场(约12 000变量)的联合建模,证明模型能够学习底层数据的时空和多变量极端依赖结构,并捕捉风暴严重程度的分布。在孟加拉湾案例研究中,我们通过与一种常用的多变量气候极端模型对比验证了该方法,并展示了其在捕捉极端相关性结构方面的性能提升。
Keyword:
generative deep learning
multi-hazard simulation
extreme value theory
spatial dependence
climate extremes
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

N
Natural Hazards and Earth System Sciences
IF:
4.7
论文数:
4.5K
被引数:
1.9W

机构

U
University of Oxford
学者数:
7.2K
论文数: 2.6K
被引数: 8.1W
引用论文

引用论文

暂无论文信息