📊 statistics

Analysing Extreme Rainfall via a Geometric Framework

مدفوعاً بتحدي بيانات EVA 2025، تقترح هذه الورقة إطاراً هندسياً غير مستقر لتحليل القيم القصوى للتنبؤ بالمدى المكاني والمدة الزمنية لهطول الأمطار الشديدة في شرق الولايات المتحدة من خلال الاستفادة من مجموعات نماذج المناخ الضخمة ومراعاة التأثيرات التضاريسية والموسمية.

المؤلفون الأصليون: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

نُشر 2026-03-20

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مخطط مدن تحاول بناء جدار حماية من الفيضانات. أنت بحاجة لمعرفة: ما هو حجم أسوأ فيضان ممكن أن يحدث؟ ما مدى اتساع انتشاره؟ وكم سيستمر؟

المشكلة هي، أننا لم نشهد فيضاناً بهذا الحجم من قبل. إذا اكتفيت بالنظر في كتب التاريخ، فلن تتمكن أبداً من التنبؤ بعاصفة "مرة واحدة في المليون عام". عليك أن تخمن ما يقع وراء حافة بياناتنا المعروفة.

هذه الورقة البحثية تتحدث عن فريق من الإحصائيين الذين بنوا "كرة بلورية" جديدة وأكثر ذكاءً للقيام بهذا التخمين فيما يتعلق بهطول الأمطار الشديدة في شرق الولايات المتحدة. إليكم كيف فعلوا ذلك، مشروحاً دون المصطلحات الرياضية المعقدة.

١. المشكلة: العاصفة "غير المرئية"

تم تزويد الفريق ببيانات من نموذج مناخي فائق القدرة (Super-computer). فكر في هذا النموذج كأنه لعبة فيديو ضخمة تحاكي الطقس. لقد قام النموذج بتشغيل ٥٠ سيناريو مختلفاً لـ "ماذا لو" (تسمى تشغيلات المجموعات أو ensemble runs).

ومع ذلك، فإن هذه المحاكاة لا تطابق التاريخ الواقعي تماماً. إنها تشبه الرسومات الأولية للطقس. وكان التحدي هو استخدام هذه الرسومات للتنبؤ بـ أسوأ سيناريو لثلاثة أشياء محددة:
١. "الفيضان الخارق": كم مرة ستكون الأمطار غزيرة لدرجة تؤدي إلى غمر كل مدينة من الـ ٢٥ مدينة المختلفة في وقت واحد؟
٢. "الطوفان الواسع": كم مرة ستكون الأمطار غزيرة بما يكفي لإغراق ٦ مدن على الأقل في آن واحد؟
٣. "النفس الطويل": كم مرة ستتعرض ٣ مدٍن على الأقل للفيضان لمدة يومين متتاليين؟

٢. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القدة (المسطرة الجامدة):
غالباً ما تفترض الإحصاءات التقليدية أن العالم "منظم ومرتب". تفترض أنه إذا هطلت أمطار غزيرة في نيويورك، فمن المرجح بالتساوي أن تهطل في بوسطن، وأن أنماط الطقس لا تتغير من الصيف إلى الشتاء.

العيب: الطبيعة فوضوية. يعتمد هطول الأمطار على الجبال، والمواسم، والرياح. والنموذج "المنظم" ينهار عندما يصبح الطقس غريباً.

الطريقة الجديدة (الإطار الهندسي):
استخدم الفريق طريقة تسمى "القيم المتطرفة الهندسية" (Geometric Extremes). تخيل بيانات هطول الأمطار ليس كقائمة من الأرقام، بل كـ سحابة من النقاط تطفو في فضاء ثلاثي الأبعاد.

شكل السحابة: معظم الأمطار تسقط في منتصف السحابة (الأيام العادية). أما الأمطار "المتطرفة" فتوجد عند الحافة القصوى للسحابة.
الخدعة السحرية: بدلاً من محاولة تخمين الطقس، درسوا شكل حافة السحابة. إذا كنت تعرف شكل حافة البالون، يمكنك التنبؤ بحجم البالون إذا نفخت فيه مزيداً من الهواء، حتى لو لم تكن قد نفخته بهذا الحجم من قبل.

٣. العقبات الثلاث الكبرى (وكيف تجاوزوها)

لجعل "متنبئ الشكل" الخاص بهم يعمل، كان عليهم إصلاح ثلاثة مشاكل رئيسية:

أ. "التحول الموسمي" (الزمن)

الأمطار في يوليو تبدو مختلفة عن الأمطار في يناير. متوسط الأمطار يتغير طوال العام.

الحل: تصرفوا كـ محرر صور. قبل تحليل الشكل، قاموا بـ "تنميط" (Normalization) البيانات. لقد جردوا البيانات من الاتجاهات الموسمية (مثل نزع معطف الشتاء وقميص الصيف) بحيث يظل "شكل" العاصفة الأساسي ثابتاً، بغض النظر عن التاريخ.

ب. "الخريطة المتعرجة" (المكان)

شرق الولايات المتحدة ليس مسطحاً. الجبال والوديان تغير كيفية سلوك الأمطار. قد تضرب عاصفة ما جبلاً وتصب الماء على جانب واحد منه دون الآخر.

الحل: استخدموا "التشويه المكاني" (Spatial Deformation). تخيل أن خريطة الولايات المتحدة مصنوعة من مطاط مرن. لقد قاموا بشد وتشويه الخريطة المطاطية فعلياً حتى استوت "النتوءات" (الجبال) التي كانت موجودة. على هذه الخريطة المشوهة الجديدة، بدت أنماط الطقس "ثابتة" (متسقة)، مما جعل حساب شكل الحافة المتطرفة أسهل بكثير.

ج. "السفر عبر الزمن" (المدة)

كان التحدي يتعلق بعواصف تستمر لمدة يومين. النماذج القياسية غالباً ما تنظر إلى يوم واحد في كل مرة، وتنسى أن العاصفة لا تختفي ببساطة بين عشية وضحاها.

الحل: استخدموا تقنية "أخذ عينات الكتل" (Block Sampling). بدلاً من اختيار أيام عشوائية، قاموا بالإمساك بـ "كتل" من ٤ أيام في كل مرة. هذا حافظ على "ذاكرة" العاصفة سليمة، مما سمح لهم بمحاكة المدة التي قد تستمرها واقعة الأمطار الغزيرة فعلياً.

٤. النتيجة: التنبؤ بالمستحيل

بمجرد حصولهم على بيانات "الكتل ذات الـ ٤ أيام المشوهة والمنمطة"، طبقوا نموذجهم الهندسي.

نظروا إلى "حافة" سحابة البيانات.
قاموا بتمديد تلك الحافة نحو الخارج ليروا ما سيحدث إذا أصبحت الأمطار أشد بـ ١٠ أو ١٠٠ ضعف مما تم تسجيله.
أجروا ملايين عمليات المحاكاة لحساب عدد المرات التي ستحدث فيها هذه "الفيضانات الخارقة".

النتيجة:
نجح نموذجهم في التنبؤ بتكرار هذه الأحداث المتطرفة. ومن المثير للاهتمام، وجدوا أن محاولتهم الأولى (التي لم تأخذ في الاعتبار جميع "النتوءات" و"المواسم") كانت متشائمة للغاية (ظنت أن الفيضانات ستحدث بشكل متكرر جداً). بعد تطبيق إصلاحاتهم الهندسية، أصبحت التوقعات أكثر واقعية وتماشياً مع البيانات الأوسع.

تشبيه الصورة الكبيرة

تخيل أنك تحاول التنبؤ بارتفاع شجرة إذا أعطيتها مياهاً غير محدودة.

الطريقة القديمة: تقيس الشجرة كل يوم وترسم خطاً مستقيماً. إذا اصطدمت الشجرة بصخرة (جبل) أو تحركت الشمس (المواسم)، فسيكون خطك خاطئاً.
طريقة هذا البحث: تدرس شكل أغصان الشجرة. تدرك أنه حتى لو نمت الشجرة في اتجاه غريب بسبب الرياح، فإن نمط انتشار أغصانها يتبع قاعدة هندسية محددة. ومن خلال فهم تلك القاعدة، يمكنك التنبؤ بدقة بمدى ارتفاع الشجرة، حتى لو نمت في اتجاه لم تره من قبل.

باختاً: لقد حولوا مشكلة طقس فوضوية وغير متوقعة إلى مشكلة شكل هندسي نظيف، مما سمح لهم بـ "الاستقراء" (التخمين) لمستقبل الأمطار الغزيرة بثقة أعلى بكثير.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان "تحليل الأمطار الشديدة عبر إطار هندسي" لـ كامبل وآخرون، والمقدمة لمسابقة بيانات مؤتمر EVA 2025.

1. بيان المشكلة

تتناول الدراسة تحدي التنبؤ بأحداث هطول الأمطار الشديدة في شرق الولايات المتحدة، مع التركيز بشكل خاص على الامتداد المكاني والمدة الزمنية لهذه الأحداث. مصدر البيانات هو مشروع CESIM2 LENS2 (Large Ensemble Community Project)، وهو محاكاة لنموذج مناخي يغطي شبكة مكانية بمساحة $5 \times 5$ متمركزة بالقرب من آشفيل، كارولاينا الشمالية.

يتضمن التحدي الجوهري ثلاثة كميات محددة محل الاهتمام (CTQs) تتطلب استقراءً يتجاوز المستويات التاريخية المرصودة:

CTQ1: العدد المتوقع للمرات التي تتجاوز فيها جميع المواقع الـ 25 في الشبكة عتبة عالية (1.7 Leadbetters).
CTQ2: العدد المتوقع للمرات التي تتجاوز فيها 6 مواقع على الأقل من أصل 25 عتبة عالية (5.7 Leadbetters).
CTQ3: العدد المتوقع للمرات التي تتجاوز فيها 3 مواقع على الأقل عتبة معينة (5 Leadbetters) لمدة يومين متتاليين على الأقل.

تظهر البيانات عدم استقرار معقد (مكانياً وزمانياً) وهياكل اعتماد متطرف تختلف باختلاف النطاق، مما يجعل النماذج المستقرة التقليدية غير كافية.

2. المنهجية

يستخدم المؤلفون إطاراً هندسياً لتحليل القيم المتطرفة، والذي يوفر مرونة في التقاط سلوكيات الذيل المشتركة المعقدة ويسمح بالاستقراء في أي اتجاه في الذيل متعدد المتغيرات. تتبع المنهجية أربع مراحل رئيسية:

أ. التعامل مع عدم الاستقرار

عدم الاستقرار الزماني: يتبنى المؤلفون نهج إيستوي وتون (2009). يقومون بنمذجة التوزيع الهامشي لهطول الأمطار $Y_t$ $Y_{t}$ باستخدام نموذج الموقع-المقياس: $Y_t = \mu(x_t) + \sigma(x_t)Z_t$ $Y_{t} = μ (x_{t}) + σ (x_{t}) Z_{t}$ .
- يتم نمذجة $\mu(x_t)$ و $\sigma(x_t)$ باستخدام النماذج الجمعية المعممة (GAMs) مع اتجاهات خطية/دورية وحدود ذاتية التراجع (AR) لمراعاة الدورات اليومية، والاتجاهات طويلة الأمد، وهطول الأمطار المتأخر.
- بعد ذلك، يتم نمذجة البواقي المعيارية $Z_t$ باستخدام توزيع باريتو المعمم (GPD) غير المستقر عند التجاوزات فوق عتبة عالية.
عدم الاستقرار المكاني: لمعالجة تباين الخواص وعدم الاستقرار المكاني (حيث تختلف هياكل الاعتماد باختلاف الموقع)، يستخدم المؤلفون نهج التشويه المكاني (Richards and Wadsworth, 2021).
- تقوم "شريحة رقيقة" (thin-plate spline) برسم خريطة من الإحداثيات الجغرافية الأصلية (مستوى G) إلى "مستوى D" كامن يُفترض فيه الاستقرار.
- يتم تقدير معاملات التشويه عن طريق تقليل التفاوت بين معاملات الاعتماد المتطرف الزوجية النظرية والتجريبية.

ب. التحويل الهامشي

بعد المعالجة المسبقة، يتم تحويل البيانات لتصبح ذات هوامش أسية معيارية. ويتم تحقيق ذلك عبر تحويل شبه معلمي: دالة التوزيع التجريبية تحت العتبة، وتوزيع باريتو المعمم (GPD) غير المستقر فوق العتبة، متبوعاً بتحويل التكامل الاحتمالي العكسي.

ج. الإطار الهندسي

يعتمد النموذج الجوهري على تقارب سحب العينات المقاسة إلى مجموعة حدية $G$ .

التفكيك الشعاعي-الزاوي: يتم تحويل متجه البيانات $Z$ إلى مكون شعاعي $R = \sum Z(s_i)$ ومكون زاوي $W = Z/R$ .
دالة القياس (Gauge Function): تُوصف المجموعة الحدية بواسطة دالة قياس $g_Z(w)$ . يستخدم المؤلفون دالة قياس غاوسية معممة:
$g_Z(w; \gamma) = \left[ (w^{1/\gamma})^\top \Sigma^{-1} w^{1/\gamma} \right]^{\gamma/2}$
حيث $\Sigma$ هي مصفوفة ارتباط تحتوي على مكونات أسية مدعومة (يتحكم فيها المدى $\phi$ والشكل $\kappa$ ).
نموذج غاما المقطوع: بالاشتراك مع المكون الزاوي $W=w$ وتجاوز عتبة عالية $r_\tau(w)$ ، يتم نمذجة المكون الشعاعي $R$ باستخدام توزيع غاما المقطوع (TG). يسمح هذا بمرونة في نمذجة اضمحلال الذيل.

د. الاستقراء وأخذ العينات

لتقدير احتمالات الأحداث البعيدة جداً عن البيانات المرصودة:

يقوم المؤلفون بمحاكاة النقاط المتطرفة عن طريق سحب مكونات زاوية من التوزيع التجريبي (مع إعادة ترجيحها لعتبات أعلى) ومكونات شعاعية من توزيع غاما المقطوع الملائم.
المدة الزمنية (CTQ3): لتقدير مدة الأحداث، يستخدم المؤلفون إجراء أخذ عينات بالكتل (block sampling). يقومون بأخذ عينات من الكتل الزمنية للمكونات الزاوية (حجم الكتلة = 4 أيام) بناءً على تحليل الاعتماد في الذيل المكاني-الزماني، مما يضمن التقاط الاستمرارية الزمنية للأحداث المتطرفة.

3. المساهمات الرئيسية

تطبيق القيم المتطرفة الهندسية: يوضح هذا العمل تطبيق الإطار الهندسي المطور حديثاً (Wadsworth and Campbell, 2024; Kakampakou and Wadsworth, 2025) على مجموعة بيانات بيئية مكانية عالية الأبعاد ( $d=25$ )، وهو سياق نادراً ما تُختبر فيه هذه الأساليب.
نمذجة متكاملة لعدم الاستقرار: ينجح البحث في دمج عدم الاستقرار الزماني (عبر GAMs/GPD) وعدم الاستقرار المكاني (عبر تشويه الشريحة الرقيقة) في إطار هندسي موحد للقيم المتطرفة.
تقدير المدة الزمنية: تم اقتراح إجراء جديد لأخذ العينات للحفاظ على المعلومات الزمنية، مما يسمح بتقدير مدة أحداث هطول الأمطار الشديدة (CTQ3)، وهو أمر بالغ الأهمية لتقييم المخاطر الهيدرولوجية.
التحسين المنهجي: يعالج المؤلفون صراحةً التناقضات في تقديمهم الأولي للمسابقة من خلال تحسين اختيار معامل الاستقراء $k$ ، وتعديل حجم الكتلة الزمنية، وتحسين التعامل مع عدم الاستقرار، مما أدى إلى تقديرات أكثر قوة.

4. النتائج

ملائمة النموذج: تشير الرسوم البيانية التشخيصية (رسوم PP و QQ) إلى ملائمة مرضية لنموذج غاما المقطوع عبر جولات المحاكاة المناخية الأربع. وتتوافق معاملات اعتماد الذيل القائمة على النموذج جيداً مع التقديرات التجريبية في مستوى D المشوه.
الكميات المستهدفة (CTQs):
- CTQ1 & CTQ2: يوفر النموذج تقديرات معقولة لتكرار هطول الأمطار الشديد واسع النطاق. بالنسبة للجولات 2 و3 و4، تطابقت التقديرات بشكل وثيق مع القيم التجريبية المستمدة من 50 جولة محاكاة. أظهرت الجولة 1 مبالغة طفيفة في التقدير، وهو ما عُزي إلى سلوك ذيل محدد في تلك النسخة.
- CTQ3: أظهرت تقديرات مدة الأحداث انحيازاً أكبر قليلاً مقارنة بالقيم التجريبية، مما يشير إلى أنه بينما يلتقط نهج أخذ العينات بالكتل الاتجاه العام، فإن التوسع الكامل في النموذج (المكاني-الزماني) لدالة القياس قد يحسن الدقة بشكل أكبر.
المقارنة مع التقديم الأولي: صححت المنهجية المنقحة في هذه الورقة المبالغة في التقدير في CTQ1 التي وُجدت في التقديم الأولي للمسابقة، مما يبرز أهمية المعالجة المسبقة الصارمة لعدم الاستقرار والاختيار الدقيق لمعاملات الاستقراء.

5. الأهمية

تخفيف المخاطر: إن القدرة على التنبؤ بدقة بالامتداد المكاني والمدة الزمنية لهطول الأمطار الشديد أمر حيوي لتصميم أنظمة الدفاع وتخفيف مخاطر الكوارث (مثل الفيضانات المشابهة لإعصار هيلين).
التقدم المنهجي: تثبت الدراسة صلاحية الإطار الهندسي كأداة قوية للقيم المتطرفة المكانية عالية الأبعاد، لا سيما في السيناريوهات التي تنطوي على استقلال تقاربي (AI)، وهو أمر شائع في البيانات البيئية.
الاتجاهات المستقبلية: تسلط الورقة الضوء على إمكانية توسيع هذا الإطار لنماذج مكانية-زمانية كاملة باستخدام مصفوفات ارتباط قابلة للفصل أو غير قابلة للفصل، ومزيج أكثر مرونة من دالات القياس لالتقاط الآليات الفيزيائية المعقدة التي تقود الطقس المتطرف بشكل أفضل.

ختاماً، تقدم الورقة إطاراً إحصائياً قوياً ومرناً ينجح في سد الفجوة بين بيانات النماذج المناخية المعقدة والحاجة العملية لاستقراء مخاطر الطقس المتطرف في كل من الزمان والمكان.