Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs

要約

気候変動により、長期間にわたる極度の暑さである熱波の頻度と深刻さが激化し、公衆衛生、生態系、インフラに重大なリスクをもたらしています。
機械学習 (ML) モデリングの進歩にも関わらず、大気要因間の非線形相互作用とこれらの極端な現象の希少性により、気象スケール (1 ～ 15 日) での正確な熱波予測は依然として困難です。
ヒューリスティック特徴量エンジニアリングに依存する従来のモデルは、多くの場合、多様な気候にわたって一般化できず、熱波ダイナミクスの複雑さを捉えることができません。
この研究では、極値理論 (EVT) の原理をグラフ ニューラル ネットワーク アーキテクチャに統合する新しいフレームワークである、分布情報に基づくグラフ ニューラル ネットワーク (DI-GNN) を紹介します。
DI-GNN は、一般化パレート分布 (GPD) 由来の記述子を特徴空間、隣接行列、損失関数に組み込んで、まれに発生する熱波に対する感度を高めます。
DI-GNN は、気候分布の裾部を優先することで、特に精度などの従来の指標が誤解を招く不均衡なデータセットにおける既存の手法の制限に対処します。
カナダのブリティッシュコロンビア州の気象観測所データを使用した実証評価により、ベースラインモデルと比較して DI-GNN の優れたパフォーマンスが実証されました。
DI-GNN は、熱波イベントを区別する際の堅牢性を反映して、高い AUC と平均精度スコアにより、バランスの取れた精度、再現率、精度の大幅な向上を達成しました。

要約(オリジナル)

Heatwaves, prolonged periods of extreme heat, have intensified in frequency and severity due to climate change, posing substantial risks to public health, ecosystems, and infrastructure. Despite advancements in Machine Learning (ML) modeling, accurate heatwave forecasting at weather scales (1–15 days) remains challenging due to the non-linear interactions between atmospheric drivers and the rarity of these extreme events. Traditional models relying on heuristic feature engineering often fail to generalize across diverse climates and capture the complexities of heatwave dynamics. This study introduces the Distribution-Informed Graph Neural Network (DI-GNN), a novel framework that integrates principles from Extreme Value Theory (EVT) into the graph neural network architecture. DI-GNN incorporates Generalized Pareto Distribution (GPD)-derived descriptors into the feature space, adjacency matrix, and loss function to enhance its sensitivity to rare heatwave occurrences. By prioritizing the tails of climatic distributions, DI-GNN addresses the limitations of existing methods, particularly in imbalanced datasets where traditional metrics like accuracy are misleading. Empirical evaluations using weather station data from British Columbia, Canada, demonstrate the superior performance of DI-GNN compared to baseline models. DI-GNN achieved significant improvements in balanced accuracy, recall, and precision, with high AUC and average precision scores, reflecting its robustness in distinguishing heatwave events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google