Reconnaissance d'une structure spatiale de dépendance extrême : Une approche d'apprentissage profond.

Résumé La compréhension du comportement des événements environnementaux extrêmes est cruciale pour l'évaluation des pertes économiques, des risques, des soins de santé et de nombreux autres aspects. Dans le contexte spatial, pertinent pour les événements environnementaux, la structure de dépendance joue un rôle central, car elle influence les événements extrêmes joints et leur extrapolation. Ainsi, reconnaître ou au moins avoir des informations préliminaires sur les modèles de ces structures de dépendance est une connaissance précieuse pour comprendre les événements extrêmes. Dans cette étude, nous abordons la question de la reconnaissance automatique de la dépendance asymptotique (AD) spatiale par rapport à l'indépendance asymptotique (AI), en utilisant un réseau de neurones convolutifs (CNN). Nous avons conçu une architecture de réseau de neurones convolutifs pour être un classificateur efficace de la structure de dépendance. Les mesures de dépendance de la queue supérieure et inférieure sont utilisées pour former le CNN. Nous avons testé notre méthodologie sur des ensembles de données simulées et réelles : données de température de l'air à deux mètres au-dessus de l'Irak et données de précipitations dans la côte est de l'Australie.