Estimation of spatio-temporal extremes via generative neural networks

要約

空間極端現象をモデル化する最近の方法は、パラメトリックな最大安定プロセスとその基礎となる依存構造の利用に焦点を当てています。
この研究では、モデル パラメーターの分布または空間依存性を直接推定することにより、利用可能なデータがほとんどない空間的極値を分析するための統一されたアプローチを提供します。
生成ニューラル ネットワークの最近の開発を採用することで、完全なサンプルベースの分布を予測し、モデル パラメーターやその他のパラメーター依存関数に関する不確実性を直接評価できるようになります。
いくつかのシミュレートされた最大安定プロセスをフィッティングすることによってメソッドを検証し、パラメーター推定および不確実性の定量化に関してアプローチの精度が高いことを示します。
追加の堅牢性チェックにより、モデルの一般化および外挿機能が強調される一方、ドイツ西部全域の極端な降水量への適用により、現実世界のシナリオにおけるアプローチの有用性が実証されます。

要約(オリジナル)

Recent methods in modeling spatial extreme events have focused on utilizing parametric max-stable processes and their underlying dependence structure. In this work, we provide a unified approach for analyzing spatial extremes with little available data by estimating the distribution of model parameters or the spatial dependence directly. By employing recent developments in generative neural networks we predict a full sample-based distribution, allowing for direct assessment of uncertainty regarding model parameters or other parameter dependent functionals. We validate our method by fitting several simulated max-stable processes, showing a high accuracy of the approach, regarding parameter estimation, as well as uncertainty quantification. Additional robustness checks highlight the generalization and extrapolation capabilities of the model, while an application to precipitation extremes across Western Germany demonstrates the usability of our approach in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google