LASSE: Learning Active Sampling for Storm Tide Extremes in Non-Stationary Climate Regimes

要約

リスク評価のために破壊的な高潮を引き起こす熱帯低気圧を、気候研究のための大規模に縮小された嵐のカタログなどから特定することは、多くの高価なモンテカルロ流体力学シミュレーションを必要とするため、多くの場合困難です。
ここでは、サロゲート モデルが精度、再現率、精度の観点から有望であり、新しい気候シナリオに「一般化」されることを示します。
次に、わずかな流体力学シミュレーションを使用して、極端な高潮を引き起こすサイクロンを迅速に検索するための有益なオンライン学習アプローチを紹介します。
詳細な高潮流体力学シミュレーションを備えた TC の最小限のサブセットから開始して、サロゲート モデルはオンラインで再トレーニングするための有益なデータを選択し、被害を与える TC の予測を反復的に改善します。
ダウンスケールされた TC の広範なカタログの結果は、トレーニングとしてシミュレーションの 20% 未満を使用して、まれに破壊的な嵐を取得する精度が 100% であることを示しています。
有益なサンプリング手法は効率的で、大規模な嵐のカタログに拡張可能で、気候シナリオに一般化できます。

要約(オリジナル)

Identifying tropical cyclones that generate destructive storm tides for risk assessment, such as from large downscaled storm catalogs for climate studies, is often intractable because it entails many expensive Monte Carlo hydrodynamic simulations. Here, we show that surrogate models are promising from accuracy, recall, and precision perspectives, and they ‘generalize’ to novel climate scenarios. We then present an informative online learning approach to rapidly search for extreme storm tide-producing cyclones using only a few hydrodynamic simulations. Starting from a minimal subset of TCs with detailed storm tide hydrodynamic simulations, a surrogate model selects informative data to retrain online and iteratively improves its predictions of damaging TCs. Results on an extensive catalog of downscaled TCs indicate 100% precision in retrieving rare destructive storms using less than 20% of the simulations as training. The informative sampling approach is efficient, scalable to large storm catalogs, and generalizable to climate scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google