Nov, 2023

将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

PDF
TL;DR气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。
发现论文，激发创造
  • 利用极端事件条件生成时空天气模式

    本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

    Apr, 2021

  • 多站点降水合成中随机和深度生成模型的比较研究

    本文通过比较 IBMWeathergen、RGeneratePrec 两种天气生成器和 GAN、VAE 两种深度生成模型，初步比较了这些模型在多站点降水合成任务中的表现，并为深度学习架构和算法的设计提供了指南。

    Jul, 2021

  • 用于极端降尺度气候数据的生成对抗模型

    使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

    Feb, 2024

  • ExGAN：极端样本的对抗生成

    本研究提出了一种名为 ExGAN 的 GAN 方法，基于极值理论（EVT）来识别和生成真实和极端的训练样本，有效地帮助风险管理。该方法在测试中表现良好，可以用较短时间内生成所需要的多种极端事件模型。

    Sep, 2020

  • 捕捉气候变异：使用深度学习进行随机下尺度化

    应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络 (GANs) 这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

    May, 2024

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 基于生成式深度学习的降水预测随机降尺度方法

    本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

    Apr, 2022

  • 基于集成生成深度学习的确定性对流允许模型的严重天气预测

    开发了一种用于美国本土的严重天气（龙卷风、冰雹和风阵）的概率预测的集成后处理方法，该方法结合了条件生成对抗网络（CGAN），一种深度生成模型，与卷积神经网络（CNN）来后处理对流允许模型（CAM）预报。

    Oct, 2023

  • 空间 - 时间野火预测的生成模型

    使用三维向量量化变分自编码器提出了一个生成模型，用于生成给定生态区域中未见野火烧毁区域的时空序列，并利用这些数据训练了一个代理模型来预测野火的传播。

    Aug, 2023

  • 通过条件生成式对抗网络进行时间序列模拟

    本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

    Apr, 2019