Multi-site modelling and reconstruction of past extreme skew surges along the French Atlantic coast

Diese Studie schlägt ein neuartiges Mehrstandort-Modellierungsrahmenwerk vor, das eine multivariate verallgemeinerte Pareto-Verteilung und einen Extremwert-Regressionsansatz kombiniert, um historische Zeitreihen extremer Schief-Surge-Ereignisse entlang der atlantischen Küste Frankreichs zu rekonstruieren, indem langfristige Daten von Schlüsselstationen genutzt werden, um Ereignisse an Standorten mit begrenzten Aufzeichnungen vorherzusagen.

Das Wesentliche

Stellen Sie sich die französische Atlantikküste als eine lange, gewundene Badewanne vor. Manchmal steigt das Wasser nicht nur mit der normalen Flut; es wird durch Stürme gewaltsam nach oben gedrückt und erzeugt einen „skew surge" (verzerrten Sturmflutstoß). Diese Sturmspitzen sind wie plötzliche, gefährliche Wellen, die das Ufer überfluten können.

Das Problem, mit dem Wissenschaftler konfrontiert waren, bestand darin, dass einige Teile dieser „Badewanne" das Wasser seit über 150 Jahren beobachten (wie die Stadt Brest), während andere Stellen erst kürzlich mit der Beobachtung begannen (wie Port Tudy, wo dies erst 1999 begann). Wenn Sie wissen möchten, wie gefährlich das Wasser 1870 in Port Tudy war, haben Sie eine Lücke in Ihren Daten. Sie können nicht einfach raten; Sie müssen die Geschichte rekonstruieren.

Dieser Artikel handelt vom Bau einer statistischen Zeitmaschine, um diese fehlenden Jahre zu füllen. So haben sie es getan, unter Verwendung einfacher Analogien:

1. Die Kernidee: Die „Nachbarschaftswache"

Die Forscher erkannten, dass Stürme nicht nur eine Stadt treffen; sie treffen die gesamte Region. Wenn ein massiver Sturm Brest (eine Stadt mit einer langen Geschichte von Aufzeichnungen) trifft, traf er Port Tudy (eine Stadt mit einer kurzen Geschichte) mit fast sicherer Wahrscheinlichkeit zur gleichen Zeit, selbst wenn Port Tudy noch kein Messgerät zur Aufzeichnung hatte.

Sie nutzten die langen, zuverlässigen Aufzeichnungen aus Brest und Saint-Nazaire als „Lehrer", um zu erraten, was in den Jahren vor dem Besitz eigener Messinstrumente bei den „Schülern" (Port Tudy, Concarneau und Le Crouesty) geschah.

2. Die zwei Methoden: Das „Lineal" vs. die „Glaskugel"

Um diese Vermutungen anzustellen, entwickelte das Team zwei verschiedene Arten mathematischer Motoren. Betrachten Sie sie als zwei verschiedene Wege, die Zukunft basierend auf der Vergangenheit vorherzusagen.

Methode A: Die „Glaskugel" (ROXANE – maschinelles Lernen)

• Funktionsweise: Diese Methode verwendet einen Computeralgorithmus (speziell eine Art maschinellen Lernens), um die Form der Sturmdaten zu betrachten. Stellen Sie sich vor, Sie betrachten einen Sturm aus der Ferne. Es ist Ihnen nicht wichtig, genau wie hoch das Wasser in Metern ist; es geht Ihnen um den Winkel oder die Richtung der Energie des Sturms.
• Der Trick: Der Computer lernt die Beziehung zwischen dem „Winkel" des Sturms in Brest und dem „Winkel" des Sturms in Port Tudy. Sobald er dieses Muster gelernt hat, kann er einen Sturm in Brest aus dem Jahr 1870 betrachten, den Winkel ermitteln und sofort den Winkel in Port Tudy erraten.
• Am besten geeignet für: Sie ist hervorragend darin, die absolut schlimmsten Ereignisse vorherzusagen (die größten, gefährlichsten Sturmspitzen). Sie liefert Ihnen eine einzelne, sehr präzise Zahl für das wahrscheinliche Wasserlevel.

Methode B: Die „Glaskugel mit Sicherheitsnetz" (MGPRED – parametrisches Modell)

• Funktionsweise: Diese Methode verwendet strenge mathematische Regeln (Statistik), um eine vollständige Karte des Wasser Verhaltens zu erstellen. Anstatt nur eine Zahl zu erraten, baut sie eine „Wolke" von Möglichkeiten auf.
• Der Trick: Sie sagt: „Basierend auf dem Sturm in Brest könnte das Wasser in Port Tudy irgendwo zwischen 2 und 4 Metern liegen." Sie gibt Ihnen nicht nur eine Vermutung; sie liefert Ihnen ein Konfidenzintervall (ein Sicherheitsnetz).
• Am besten geeignet für: Sie ist besser darin, das gesamte Bild zu verstehen, einschließlich kleinerer Sturmspitzen, und sie sagt Ihnen, wie sicher sie bei ihrer Vermutung ist. Es ist wie zu sagen: „Ich denke, es hat 2 Zoll geregnet, aber es könnte überall zwischen 1,5 und 2,5 Zoll gewesen sein."

3. Das „Schwellenwert"-Problem: Wann ist eine Welle eine „Sturmspitze"?

Eine große Herausforderung bestand darin zu entscheiden, was als „extremes" Ereignis zählt. Ist eine 1-Meter-Welle extrem? Was ist mit 1,5 Metern?

• Die Innovation: Die Autoren erfanden eine neue, automatische Methode, um die Grenze zu ziehen. Sie verwendeten eine spezielle mathematische Kurve (eine sogenannte EGP-Verteilung), um den genauen Punkt zu finden, an dem sich die Daten wie ein „wilder" Sturm verhalten und nicht wie ein normaler Tag. Es ist wie ein intelligenter Sensor, der automatisch entscheidet: „Okay, alles über dieser spezifischen Höhe ist ein Sturm, den wir untersuchen müssen."

4. Die Ergebnisse: Die Lücken füllen

Das Team testete seine Methoden an Daten, die sie bereits hatten (die Jahre, in denen Port Tudy ein Messgerät hatte), um zu sehen, ob sie die Vergangenheit korrekt „vorhersagen" konnten.

• Das Urteil: Beide Methoden funktionierten gut.
  • Die Maschinelle-Lern-Methode (ROXANE) war etwas besser darin, die absolut größten Sturmspitzen vorherzusagen (diejenigen, die den meisten Schaden verursachen).
  • Die Statistische-Methode (MGPRED) war besser darin, die kleineren Sturmspitzen vorherzusagen und lieferte ihnen einen Unsicherheitsbereich, was für das Risikomanagement entscheidend ist.
• Die Zeitreise: Sie nutzten diese Modelle erfolgreich, um die Geschichte von Port Tudy bis ins Jahr 1846 zurückzuverfolgen. Sie stellten fest, dass der größte von ihnen vorhergesagte Sturm am Silvesterabend 1876/1877 stattfand. Dies stimmte mit historischen Aufzeichnungen über einen massiven Sturm überein, der Überschwemmungen in der Bretagne verursachte, und bewies, dass ihre „Zeitmaschine" genau war.

Zusammenfassung

Kurz gesagt lehrt uns dieser Artikel, wie man die lange Geschichte einer Stadt nutzt, um die „Lücken" für ihre Nachbarn zu füllen. Durch die Verwendung zweier verschiedener mathematischer Werkzeuge – eines, das sich auf die schärfsten Spitzen konzentriert, und eines, das sich auf das gesamte Spektrum der Möglichkeiten konzentriert – schufen sie eine zuverlässige Geschichte extremer Wasserstände. Dies hilft Küstenmanagern zu verstehen, wie oft gefährliche Überschwemmungen auftreten könnten, selbst an Orten, an denen wir keine alten Aufzeichnungen haben.

Technische Zusammenfassung

Technisches Fazit: Mehrstandort-Modellierung und Rekonstruktion vergangener extremer Schiefsturmfluten entlang der französischen Atlantikküste

Problemstellung
Der Beitrag adressiert die dringende Notwendigkeit, historische extreme Wasserstandereignisse, insbesondere Schiefsturmfluten (skew surges), entlang der französischen Atlantikküste zu modellieren und zu rekonstruieren. Schiefsturmfluten, definiert als Differenz zwischen dem beobachteten maximalen Wasserstand und dem astronomisch vorhergesagten Gezeitenverlauf, sind die Hauptursachen für Küstenüberflutungen. Eine erhebliche Herausforderung ergibt sich an Pegelstationen mit kurzen Beobachtungsreihen (z. B. Port Tudy, Concarneau, Le Crouesty), denen die historische Tiefe fehlt, um langfristige Wiederkehrperioden genau zu schätzen. Das Ziel besteht darin, fehlende Zeitreihen extremer Schiefsturmfluten an diesen Stationen mit kurzen Aufzeichnungen durch Nutzung der räumlichen statistischen Abhängigkeit zu nahegelegenen Stationen mit umfangreichen historischen Daten (z. B. Brest und Saint-Nazaire mit Aufzeichnungen von über 150 Jahren) zu rekonstruieren.

Methodik
Die Studie verwendet einen Peaks-Over-Threshold (POT)-Rahmen im Kontext der multivariaten Extremwerttheorie (EVT). Im Gegensatz zu Block-Maxima-Ansätzen definieren die Autoren ein extremes Ereignis als dann eintretend, wenn mindestens eine Eingangsstation einen Wert oberhalb eines hohen Schwellenwerts verzeichnet, wobei anerkannt wird, dass eine einzelne große Sturmflut an einer benachbarten Station unabhängig von den lokalen Bedingungen zu Überschwemmungen am Zielort führen kann.

Die Methodik gliedert sich in drei Hauptkomponenten:

1. Randverteilungs-Modellierung und Schwellenwertauswahl:

   • Die Autoren modellieren Randverteilungen unter Verwendung der Extended Generalized Pareto (EGP)-Verteilung, die eine Modellierung des gesamten positiven Teils der Verteilung ermöglicht und sich asymptotisch in den Verteilungsschwanz hin zu einer Generalized Pareto (GP)-Verteilung konvergiert.
   • Es wird eine neuartige, automatisierte Methode zur Auswahl des Schwellenwerts $t$ vorgeschlagen. Anstatt sich auf visuelle Stabilitätsplots zu verlassen, wird der Schwellenwert als der niedrigste Wert definiert, oberhalb dessen die angepasste EGP-Dichte strikt konvex wird. Dies nutzt die Eigenschaft aus, dass GP-Dichten für Formparameter $\xi > -1/2$ strikt konvex sind.

2. Multivariate Vorhersageansätze:
   Zwei komplementäre Ansätze wurden entwickelt und verglichen, um die Zielvariable $Y$ (Schiefsturmflut an der Station mit kurzer Aufzeichnung) unter Berücksichtigung von Kovariaten $X$ (Schiefsturmfluten an Stationen mit langen Aufzeichnungen) vorherzusagen:

   • Nichtparametrisches Maschinelles Lernen (ROXANE): Dieser Ansatz nutzt den ROXANE-Algorithmus (Clémençon et al., 2025). Er transformiert die Daten auf Einheits-Pareto-Randverteilungen und konzentriert sich auf die Vorhersage der „Winkel"-Komponente ($\Theta_Y$) der Zielvariable basierend auf der Winkel-Komponente der Kovariaten ($\Theta_X$), wobei die asymptotische Unabhängigkeit zwischen radialen und Winkel-Komponenten im Schwanz ausgenutzt wird. Der Algorithmus verwendet handelsübliche Regressionsmodelle (getestet mit Ordinary Least Squares und Random Forest), die auf diesen Winkelvariablen trainiert wurden.
   • Parametrische Modellierung (MGPRED): Dieser Ansatz transformiert die Daten auf Einheits-Exponential-Randverteilungen und passt eine Multivariate Generalized Pareto (MGP)-Verteilung an die verschobenen Überschreitungen an. Er verwendet einen zensierten Likelihood-Ansatz, um parametrische Modelle (speziell unabhängige Gumbel-Komponenten mit einem Abhängigkeitsparameter) an die extremen Daten anzupassen. Die Vorhersage erfolgt durch Monte-Carlo-Sampling aus der bedingten Verteilung, was die Generierung von Vorhersageintervallen ermöglicht.

Hauptbeiträge

• Neuartige Schwellenwertauswahl: Der Beitrag führt ein automatisiertes, auf Konvexität basierendes Kriterium zur Auswahl univariater Schwellenwerte im EGP-Rahmen ein, was die Abhängigkeit von subjektiver visueller Inspektion reduziert.
• Vergleichsrahmen: Er bietet einen seltenen direkten Vergleich zwischen einem modellagnostischen maschinellen Lernansatz (ROXANE) und einem vollständig parametrischen multivariaten EVT-Ansatz (MGPRED) für die spezifische Aufgabe der Rekonstruktion fehlender extremer Komponenten.
• Theoretische Verbindung: Die Autoren erläutern den theoretischen Zusammenhang zwischen den beiden Methoden und zeigen, dass sie trotz ihrer methodischen Unterschiede (Winkel-Regression vs. Modellierung der bedingten Dichte) im Wesentlichen äquivalente statistische Annahmen bezüglich des Verteilungsschwanzes treffen.
• Rekonstruktion historischer Daten: Die Methoden wurden erfolgreich angewendet, um die Zeitreihe extremer Schiefsturmfluten in Port Tudy vor 1966 unter Verwendung von Daten aus Brest und Saint-Nazaire zu rekonstruieren.

Ergebnisse

• Randverteilungs-Anpassung: Die EGP-Verteilung lieferte eine robuste Anpassung für die Randdaten, und die vorgeschlagene Schwellenwertauswahlmethode identifizierte effektiv den Bereich, in dem die GP-Näherung gilt (verifiziert durch den Vergleich von EGP- und GP-Anpassungen oberhalb des Schwellenwerts).
• Vorhersageleistung:
  • MGPRED zeigte eine überlegene Gesamtleistung in Bezug auf den Root Mean Squared Error (RMSE) und den Mean Absolute Error (MAE) über den gesamten Testdatensatz. Es bot eine bessere Modellierung kleinerer extremer Werte und den Vorteil der Generierung von Vorhersageintervallen (die 0,95-Abdeckungswahrscheinlichkeit betrug 0,89).
  • ROXANE (speziell mit OLS) schnitt in den extremsten Bereichen (dem oberen Schwanz) leicht besser ab und lieferte genauere Punktschätzungen für die größten Schiefsturmfluten.
  • Beide Methoden hatten Schwierigkeiten mit dem unteren Schwanz der Extremverteilung (kleinere extreme Werte), eine Einschränkung, die der Empfindlichkeit der Rücktransformation gegenüber Fehlern im Formparameter $\kappa$ und der Verwendung zensierter Likelihoods zugeschrieben wird, die die extremsten Ereignisse priorisieren.
• Historische Rekonstruktion: Die rekonstruierte Zeitreihe für Port Tudy (vor 1966) erfasste erfolgreich wichtige historische Ereignisse, wie die signifikante Schiefsturmflut in der Nacht vom 31. Dezember 1876 auf den 1. Januar 1877, die mit schweren Stürmen in Brest und Saint-Nazaire korrespondierte.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass sowohl der nichtparametrische als auch der parametrische Ansatz gültige und praktisch signifikante Ergebnisse für die Rekonstruktion extremer Wasserstände liefern.

• Praktischer Nutzen: Das MGPRED-Verfahren wird für Szenarien empfohlen, die eine Gesamtleistung und Unsicherheitsquantifizierung (Vorhersageintervalle) erfordern, während das ROXANE-Verfahren bevorzugt wird, wenn das primäre Ziel die genaueste Punktvorhersage der absolut größten Ereignisse ist.
• Methodischer Fortschritt: Die Arbeit fördert den Einsatz der multivariaten Extremwerttheorie in den Geowissenschaften und hebt insbesondere die Nützlichkeit der EGP-Verteilung für die Randverteilungs-Modellierung sowie des ROXANE-Algorithmus für die Extremregression hervor.
• Einschränkungen und zukünftige Arbeiten: Die Autoren vermerken bescheiden, dass die Modelle für ältere Jahre weniger präzise sind, möglicherweise aufgrund nicht modellierter zeitlicher Trends (z. B. globale Erwärmung), die sich zwischen den Stationen unterscheiden können. Sie räumen zudem ein, dass die aktuellen Modelle keine meteorologischen Kovariaten (wie Wind) einbeziehen, was die Modellierung kleinerer extremer Ereignisse verbessern könnte. Die Konstruktion statistisch fundierter Vorhersageintervalle für extreme Kovariaten wird als Thema für zukünftige Forschung identifiziert.

Die Studie schließt, dass diese Methoden allgemein auf andere räumliche Extremprobleme anwendbar sind und erweitert werden können, um zusätzliche Kovariaten einzubeziehen oder auf die Imputation fehlender Daten für andere Variablen wie Wind oder Druck angewendet zu werden.