基于高效贝叶斯推断与图解扰动技术的时空风暴潮建模

《Additive Manufacturing》:Spatiotemporal Storm Surge Modeling via Computationally Efficient Bayesian Inference with Diagrammatic Perturbation Technique

【字体: 大 中 小 】 时间:2025年12月09日 来源:Additive Manufacturing 11.3

编辑推荐:

  阿迪亚·潘迪|阿什米特·辛格|亚历山德罗·康滕托|保罗·加尔多尼 美国伊利诺伊大学厄巴纳-香槟分校土木与环境工程系 摘要 风暴潮对沿海地区构成严重威胁,因此准确及时的预测对于有效的灾害防范和应对至关重要。像SLOSH和ADCIRC这样的传统模型虽然细节丰富,但计算成

  阿迪亚·潘迪|阿什米特·辛格|亚历山德罗·康滕托|保罗·加尔多尼
美国伊利诺伊大学厄巴纳-香槟分校土木与环境工程系

摘要
风暴潮对沿海地区构成严重威胁,因此准确及时的预测对于有效的灾害防范和应对至关重要。像SLOSH和ADCIRC这样的传统模型虽然细节丰富,但计算成本高昂,难以用于实时概率分析,尤其是在需要针对不同情景进行多次模拟时。替代模型虽在计算上更为高效,但由于依赖某些参数的点估计值,无法完全体现风暴潮预测中的不确定性,这往往导致风险被低估,从而限制其在实际应用中的效果。为弥补这一缺陷,我们提出了一种新的风暴潮建模方法,该方法将完整的贝叶斯推断融入随机场框架,并借助图解扰动技术实现。图解扰动技术能为那些后验分布仅略偏离高斯分布的贝叶斯推断问题提供解析表达式,而这种情形在数据量较大时较为常见。结合基于高斯混合模型等的矩匹配方法,该技术可通过高效估算后验分布来加速模型训练,从而克服传统贝叶斯方法的计算难题。通过构建完全概率模型,我们的方法能够在保持计算效率的同时有效捕捉不确定性,非常适合用于实时预测。我们利用美国墨西哥湾沿岸的NOAA历史数据对所提模型进行了验证,证明了其精度与速度优势。这一新方法为概率风险评估和实时决策提供了有力工具。

引言
强风暴是全球沿海地区面临的最大威胁之一,常常引发强烈的风暴潮,导致沿海地区被淹没[1][2]。这些由强风和暴雨引发的风暴潮会破坏基础设施,给社区带来灾难性后果。准确及时地评估风暴潮的影响对于制定有效的灾害防范和应对策略至关重要,因此开发可靠的建模技术极为重要。像SLOSH(飓风引发的海水、湖水及陆地洪水模型)和ADCIRC(高级环流模型)这类复杂的物理模型被广泛用于模拟风暴潮及其他沿海现象[3][4][5]。这些模型基于复杂的流体动力学方程,能够提供准确的预测结果。然而,由于计算成本过高,它们往往难以用于快速或实时分析,尤其是在需要通过大量模拟来评估不同情景下风险的概率分析中[6]。

替代模型通过建立现象驱动因素与结果之间的近似关系,或系统输入与输出之间的关联,为计算效率更高的解决方案。它们通常是复杂物理模型的简化版本,能够捕捉关键行为,从而便于快速评估,这在实时决策、概率风险评估和情景分析中具有重要意义。不过,对于风暴潮而言,尽管替代模型能够捕捉部分时空相关性[7][8],但它们通常仅适用于特定区域,且无法像ADCIRC那样准确呈现复杂的流体动力学行为和局部变化。虽然替代模型的开发速度可快于复杂的流体动力学模型,但其校准过程仍可能耗费大量时间,尤其是在处理大规模数据集时。因此,人们常常采用简化假设,如使用点估计而非完整的参数分布,但这可能会低估模型的不确定性。此外,替代风暴潮模型往往依赖合成数据进行校准,这可能限制其在真实事件中的应用,并增加模型不确定性。

近年来,用于风暴潮预测的替代建模技术取得了进展,既展现了现有方法的潜力,也暴露了其局限性。基于机器学习的方法,如通过独立点模型预测洪水和风暴潮高度的灵活替代模型[9]、结合位置编码以减少过度平滑效应的受神经场启发的Surge-NF框架[10],以及时空图神经网络[11],都在数据稀缺的情况下提升了空间表示能力和泛化能力。但这些方法主要为频率主义方法,缺乏对不确定性的全面概率处理。在概率论方面,基于高斯过程的层次贝叶斯模型[12]、用于极端事件的时空最大稳定过程模型[13],以及用于沿海洪水预测的多输出高斯过程[14],都展示了严格量化不确定性的潜力,但它们往往依赖于马尔可夫链蒙特卡洛等昂贵的数值方法。这些研究凸显了计算效率与全面不确定性表征之间的权衡。

为应对这些挑战,并提供一种能够快速开发与更新的完全概率风暴潮模型,我们提出了一种新方法,该方法在随机场框架内运用完整的贝叶斯推断,而图解扰动技术则为这一目标的实现提供了可能[15]。图解扰动技术源自信息场理论框架下开发的图解方法[16][17],该方法利用统计物理学工具解决贝叶斯推断中的信号处理和图像重建等问题。图解扰动技术能为后验矩提供解析的封闭形式表达式。它尤其适用于那些后验分布仅略偏离高斯分布的情况,即呈现微扰非高斯性。这种类型的微扰非高斯性通常出现在数据量较大的场景中,此时后验分布被认为具有规则的单峰概率密度。图解扰动技术能够加快模型训练速度,这是其相比其他替代建模方法的优势所在。与传统依赖频率主义方法或点估计的替代模型不同,我们的完全贝叶斯方法能够更准确地表征不确定性,从而在贝叶斯框架内实现更完整、更可靠的不确定性量化。这对于模拟风暴潮复杂且快速变化的动态特性至关重要,也使得模型能够随着新观测数据的出现不断优化。

具体而言,图解扰动技术提供了一种克服传统复杂随机场模型计算难题的方法。它能为主观矩估算提供封闭形式的解析表达式,在样本量足够大时,其精度可与数值型的马尔可夫链蒙特卡洛方法相媲美。这意味着它无需借助变分推断或拉普拉斯近似等常见简化手段,就能在涉及大规模数据集和复杂结构的模型中实现高效计算。这些简化手段通常包括通过优化较简单的分布族来近似后验分布的变分推断,或假设后验分布围绕模式呈高斯分布的拉普拉斯近似[18][19]。尽管这些方法有一定用处,但往往会影响精度,或需要大量计算才能收敛。图解扰动技术的解析方法不仅加快了校准速度,还通过避免这些简化手段提高了风暴潮预测的精度和可靠性。此外,为了实现后验估算,我们还提出了一种基于矩匹配的方法,该方法利用图解扰动技术估算出的后验矩。

本研究的创新之处在于,它为风暴潮建立了随机场模型,能够在贝叶斯框架内捕捉空间变异并全面量化不确定性,而图解扰动技术则使得后验矩的估算在计算上成为可能。在此框架下,图解扰动技术作为一种推理方法,无需依赖变分推断或拉普拉斯近似等简化手段,即可实现随机场模型的高效训练。尽管图解扰动技术是一种通用的贝叶斯推断工具,也可应用于层次贝叶斯模型或贝叶斯神经网络等其他模型结构,但在此研究中,它被专门用于克服传统上制约风暴潮随机场模型贝叶斯推断的计算障碍。

我们通过利用美国墨西哥湾沿岸NOAA水位站的历史数据,构建并验证了一个区域风暴潮模型,以此展示该方法的实用性和有效性。这一应用体现了该模型在快速、精确估算风暴潮方面的能力,凸显了其在提升沿海灾害防范和应对水平方面的巨大潜力。

本文结构如下:第2节介绍了风暴潮建模的详细内容,首先简要阐述风暴潮的物理机制,为建模特征的界定与构建提供背景(2.1节),随后概述现有的确定性方法和概率方法(2.2节),最后介绍随机场建模方法(2.3节)。第3节介绍了参数贝叶斯推断框架及图解扰动技术。该节首先介绍图解扰动技术(3.1节),接着阐述其实现方案(3.2节),最后详细介绍其在随机场推断中的应用(3.3节)。第4节介绍了从后验矩估算后验分布的流程。第5节将所提方法应用于美国墨西哥湾沿岸的风暴潮区域案例研究,内容包括数据准备(5.1节)、特征选择(5.2节)以及结果与讨论(5.3节)。最后,第6节总结了本文的主要贡献。

章节要点
风暴潮建模
本节阐述了影响飓风引发风暴潮的物理因素,并说明了这些因素如何为建模中解释函数的构建提供依据。随后概述了几种常用的建模范式,重点介绍了替代模型。在这些范式中,随机场模型是本研究重点关注的类型。本节进一步深入介绍了随机场模型及其常用的推断方法。

参数贝叶斯推断
本节简要介绍了图解扰动技术及其在参数随机场模型贝叶斯推断中的应用。有关图解扰动技术的详细内容,以及将其应用于各类参数贝叶斯推断问题的方法,还可参考文献[15],其中还包括一个数值示例,用于比较图解扰动技术与另一种名为哈密顿蒙特卡洛法的MCMC方法在不同样本量下对随机场贝叶斯推断的性能。

最大概率密度估计
如第1节所述,虽然替代模型通常计算效率更高,开发速度更快,但在处理大量输入变量和海量数据时,其校准过程可能变得十分繁琐且耗时。由于风暴潮现象的复杂性以及需要准确反映沿海地理特征的影响,这一问题在风暴潮模型中尤为突出。为解决这一问题并简化校准流程,我们……

风暴潮模型推断
本研究采用的随机场模型用于描述飓风引发的风暴潮,其在贝叶斯框架下通过图解扰动技术和高斯混合模型进行校准。这种模型形式是传统基于有限元方法的模型,如ADCIRC(高级环流模型)[4]和SLOSH(飓风引发的海水、湖水及陆地洪水模型)[5]的概率替代方案,能够灵活高效地捕捉复杂的时空相关性。

结论
本研究提出了一种新的风暴潮建模方法,解决了传统物理模型如SLOSH和ADCIRC的局限性,同时也弥补了计算效率较高的替代模型的不足。尽管现有模型为理解风暴潮动态提供了宝贵见解,但其较高的计算成本或过于简化的表现形式,限制了其在实时灾害响应和概率风险评估中的实际应用价值。我们所提出的解决方案则借助贝叶斯方法……

CRediT作者贡献声明
阿迪亚·潘迪:写作——审稿与编辑、写作——初稿撰写、可视化、验证、资源整理、方法设计、研究实施、正式分析、数据整理、概念构建。
阿什米特·辛格:写作——审稿与编辑、写作——初稿撰写、方法设计、研究实施、概念构建。
亚历山德罗·康滕托:写作——审稿与编辑、写作——初稿撰写、验证、数据整理。
保罗·加尔多尼:写作——审稿与编辑、监督指导、方法设计、概念构建。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号