Bayesian learning of Gaussian mixture model for calculating debris flow exceedance probability
Bayesian learning of Gaussian mixture model for calculating debris flow exceedance probability
复制标题
计算泥石流超标概率的高斯混合模型的贝叶斯学习
DOI：
10.1080/17499518.2022.2028849
复制
发表时间：
2022-01
期刊：
影响因子：
--
通讯作者：
Phoon Kok-Kwang
中科院分区：
文献类型：
--
作者：
Deng Qin-Xuan;He Jian;Cao Zi-Jun;Papaioannou Iason;Li Dian-Qing;Phoon Kok-Kwang
泥石流资料的概率模型为定量风险评估提供了有用的信息，如泥石流量的发生概率（EP）。由于泥石流观测资料往往是多年甚至几十年收集的，而且泥石流性质的不均匀性和物理机制的复杂性导致了观测资料的多峰分布特征，因此，许多经典的统计模型都无法适用于泥石流观测。本文提出了一个贝叶斯框架，学习高斯混合模型（GMM）的泥石流量（如总流量Q总和最大冲击压力P最大），并计算其EP风险知情决策。GMM提供了很大的灵活性，以适应观察数据，但本质上是不可识别的，由于标签切换。这些计算上的困难，使用随机吉布斯采样和桥采样在建议的框架，允许将GMM参数的统计不确定性EP估计。方程推导出所提出的方法，并说明使用Q总和P最大值的数据在姜家沟，中国。结果表明，该方法能够识别出反映观测数据多峰特征的Q total和Pmax的双变量GMM，并量化了GMM参数的统计不确定性.将统计不确定性引入EP估计提供了稳健的估计。
ABSTRACT Probabilistic modelling of debris flow data provides useful information for quantitative risk assessment, such as exceedance probabilities (EPs) of debris flow quantities. This task can defy many classical statistical models because debris flow data are frequently collected over years or even decades, and the nonuniformity of the nature and the complex physical mechanism of debris flows lead to multimodal distribution characteristics of observational data. This paper proposes a Bayesian framework for learning Gaussian mixture model (GMM) of debris flow quantities (e.g. total discharge Q total and maximum impact pressure P max) and calculating their EPs for risk-informed decision making. GMM provides great flexibility to fit observation data, but are intrinsically unidentifiable due to the label switching. These computational difficulties are addressed using Random Gibbs Sampling and Bridge Sampling in the proposed framework, allowing incorporating the statistical uncertainty in GMM parameters into EP estimation. Equations are derived for the proposed approach and are illustrated using Q total and P max data at Jiangjia Ravine, China. Results show that the proposed approach identifies a bivariate GMM of Q total and P max reflecting the multimodal characteristics of the observed data and quantifies the statistical uncertainty of GMM parameters. Incorporating the statistical uncertainty into EP estimation provides robust estimates.
登录
查看更多内容
影响因子：
3.3
作者：
L. Marchi;V. D’Agostino
通讯作者：
L. Marchi;V. D’Agostino
DOI：
--
发表时间：
1996
期刊：
--
影响因子：
--
作者：
X. Meng;W. Wong
通讯作者：
X. Meng;W. Wong
影响因子：
3.6
作者：
Hui Wang;Xiangrong Wang;J. Wellmann;R. Liang
通讯作者：
Hui Wang;Xiangrong Wang;J. Wellmann;R. Liang
DOI：
10.1111/1467-9868.00265
发表时间：
2000-01-01
影响因子：
5.8
作者：
Stephens, M
通讯作者：
Stephens, M
DOI：
10.1201/9780429055911-7
发表时间：
2018-12
期刊：
Handbook of Mixture Analysis
影响因子：
--
作者：
G. Celeux;Sylvia Fruewirth-Schnatter;C. Robert
通讯作者：
G. Celeux;Sylvia Fruewirth-Schnatter;C. Robert