📊 statistics

Fusing Sparse Observations and Dense Simulations for Spatial Extreme Value Analysis: Application to U.S. Coastal Sea Levels

Este artículo presenta un marco estadístico de dos etapas que fusiona observaciones escasas de mareas con simulaciones hidrodinámicas densas para mejorar la estimación de niveles extremos del mar en la costa de EE. UU., logrando una reducción significativa del error en las predicciones de retorno y disponible en el paquete R `evfuse`.

Autores originales: Brian N. White, Brian Blanton, Rick Luettich, Richard L. Smith

Publicado 2026-03-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Brian N. White, Brian Blanton, Rick Luettich, Richard L. Smith

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que quieres dibujar un mapa muy preciso de las tormentas más fuertes que golpean la costa de Estados Unidos cada siglo. Para hacerlo, necesitas saber exactamente qué tan alta será el agua en cada playa.

El problema es que tenemos dos tipos de información, y ninguno es perfecto por sí solo:

Los "Observadores Reales" (Las Boyas): Tenemos 29 estaciones de medición reales (boyas de la NOAA) a lo largo de la costa. Son datos reales y confiables, pero están muy separadas entre sí. Es como tener 29 termómetros en un país gigante; sabes la temperatura en esos puntos exactos, pero no sabes qué pasa en las ciudades que están a mitad de camino. Además, como hay pocas, es difícil adivinar con certeza qué tan extrema puede ser una tormenta futura.
Los "Simuladores" (El Videojuego): Tenemos un superordenador que ejecuta un modelo físico llamado ADCIRC. Este programa simula el océano en 100 puntos diferentes a lo largo de la costa. Tiene mucha más densidad (más puntos), pero es solo una simulación basada en matemáticas, no una medición real. A veces, el simulador puede ser un poco "pesimista" o "optimista" en sus números, aunque captura muy bien el patrón general de dónde ocurren las tormentas.

La Idea Brillante: "Fusionar" los Dos Mundos

Los autores de este paper (Brian White y su equipo) se preguntaron: ¿Por qué elegir uno u otro? ¿Por qué no mezclarlos?

Su solución es como si fueras a armar un rompecabezas gigante:

Usas las piezas reales (las boyas) para asegurar que los colores sean correctos.
Usas las piezas simuladas (el ordenador) para llenar los huecos vacíos entre las piezas reales.

Lo hacen en dos pasos, como si fueran dos capas de pintura:

Paso 1: El Análisis Individual
Primero, miran cada punto por separado.

Para las boyas reales, calculan qué tan probable es que suba el agua, teniendo en cuenta que el nivel del mar está subiendo con el tiempo (como una marea lenta).
Para el simulador, hacen lo mismo con sus 100 puntos.
El problema: En las boyas reales, como hay pocos datos, la estimación es muy "borrosa" (tiene mucha incertidumbre). En el simulador, es más nítida, pero podría estar desplazada.

Paso 2: La Magia de la Fusión (El Puente Invisible)
Aquí es donde ocurre la magia. El equipo crea un "puente invisible" entre los datos reales y los simulados.

Descubren que, aunque los números exactos del simulador sean un poco diferentes, el patrón es casi idéntico. Si una boya dice que en la Florida las tormentas son fuertes, el simulador también dice que en la Florida son fuertes.
Usan esta coincidencia de patrones para "prestar fuerza" a los datos débiles. Imagina que tienes una persona con una vista un poco borrosa (la boja) y otra con una vista perfecta pero que usa gafas de sol oscuras (el simulador). Si las dos miran en la misma dirección, puedes combinar sus visiones para ver el paisaje con total claridad y sin oscuridad.

¿Qué lograron con esto?

Al mezclar los datos, obtuvieron tres grandes beneficios:

Mapas más nítidos: Donde antes teníamos una línea borrosa entre dos boyas, ahora tenemos una línea clara y precisa gracias a los puntos del simulador que llenaron el vacío.
Corrección de errores: En algunas zonas (como el Golfo de México), las boyas reales eran tan pocas que no podían ver que las tormentas eran extremadamente peligrosas (colas pesadas). El simulador, al tener más puntos, les dijo: "Oye, aquí las tormentas son más fuertes de lo que crees". El modelo fusionado corrigió esa subestimación.
Menos miedo a lo desconocido: Antes, al hacer una predicción para 100 años, el margen de error era enorme. Ahora, al usar ambos datos, el margen de error se redujo un 35%. Es como pasar de decir "podría llover entre 0 y 100 litros" a decir "lloverá entre 40 y 60 litros".

La Analogía Final

Imagina que intentas adivinar la altura de las olas en una playa larga y desierta.

Si solo miras a dos personas que están sentadas en la arena (las boyas), tendrás que adivinar lo que pasa en medio de ellas.
Si solo miras a una cámara de seguridad que graba todo el día pero a veces se desenfoca (el simulador), tendrás una imagen completa pero quizás con los colores un poco extraños.
Lo que hicieron estos científicos: Poner a las dos personas a mirar a través de los ojos de la cámara. Usaron la cámara para llenar los espacios vacíos y usaron a las personas para corregir los colores de la cámara.

Resultado: Ahora tienen un mapa de riesgo de tormentas mucho más preciso, lo que ayuda a los gobiernos y a la gente a construir casas más seguras y prepararse mejor para el futuro, especialmente en zonas donde no hay muchos sensores reales.

En resumen: No tienes que elegir entre datos reales escasos y simulaciones perfectas; puedes unirlos para obtener lo mejor de ambos mundos.

1. Planteamiento del Problema

La estimación de niveles de retorno espaciales (umbrales esperados de ser superados una vez cada $T$ años) a partir de redes de observación escasas genera mapas con alta incertidumbre. En el contexto de los niveles del mar costeros:

Observaciones (NOAA): La red de mareógrafos proporciona registros fiables a largo plazo, pero es esparsa (pocos puntos) y los registros son cortos en relación con los periodos de retorno de interés (ej. 100 años). Esto produce una gran incertidumbre en la estimación de los parámetros de la cola de la distribución (especialmente el parámetro de forma, $\xi$ ).
Simulaciones (ADCIRC): Los modelos hidrodinámicos basados en física pueden generar datos a una densidad espacial mucho mayor, cubriendo áreas donde no hay sensores. Sin embargo, sus resultados reflejan la física del modelo y no observaciones directas, y pueden tener sesgos sistemáticos.
El Desafío: Integrar estas dos fuentes de datos heterogéneas (escasas vs. densas, observadas vs. simuladas) para mejorar la precisión y cobertura de las estimaciones de extremos espaciales, sin caer en la complejidad computacional de modelos jerárquicos bayesianos completos o procesos máximos estables intractables.

2. Metodología Propuesta

Los autores desarrollan un marco frecuentista de dos etapas que fusiona las observaciones y las simulaciones modelando los parámetros de la Distribución Generalizada de Valores Extremos (GEV) como un proceso espacial de alta dimensión.

Etapa 1: Ajuste Marginal de GEV

Se ajusta una distribución GEV independientemente en cada sitio (29 mareógrafos NOAA y 100 sitios de simulación ADCIRC).
No estacionariedad: Para los sitios NOAA, donde se detectaron tendencias temporales significativas (66% de los casos), se utiliza un parámetro de ubicación no estacionario ( $\mu(t) = \mu_0 + \mu_1(t - t_{ref})$ ). Los sitios ADCIRC, que no muestran tendencias significativas, mantienen un ajuste estacionario.
Salida: Se obtienen estimaciones de máxima verosimilitud (MLE) para los parámetros de ubicación ( $\mu$ ), escala ( $\sigma$ ) y forma ( $\xi$ ) en cada sitio.

Etapa 2: Modelo Espacial Multivariante (Coregionalización)

Se modelan conjuntamente los parámetros de ambas fuentes como un proceso latente de 6 dimensiones (3 parámetros para NOAA + 3 para ADCIRC) en cualquier ubicación espacial.
Modelo Lineal de Coregionalización (LMC): Se asume que los 6 parámetros son combinaciones lineales de 6 procesos gaussianos (GP) independientes, cada uno con su propio rango de correlación espacial ( $\rho_i$ $ρ_{i}$ ).
- Esto permite que diferentes combinaciones de parámetros tengan diferentes escalas de variación espacial.
Transferencia de Información: La clave es la estimación de las correlaciones entre fuentes (ej. correlación entre $\mu_{NOAA}$ y $\mu_{ADCIRC}$ ). Dado que no hay sitios co-ubicados (ningún sitio tiene ambos tipos de datos), estas correlaciones se estiman a partir de redes espacialmente entrelazadas (distancias inter-sitio medianas de ~21.7 km).
Matriz de Selección: Se utiliza una matriz de selección ( $S$ ) para extraer los componentes observados del vector latente completo, permitiendo manejar la estructura de observaciones parciales dentro de la función de verosimilitud estándar.
Optimización: Se maximiza la verosimilitud utilizando gradientes analíticos derivados de la estructura LMC, lo que reduce drásticamente el tiempo de cómputo (de ~90 min a <3 min), haciendo viable la optimización multi-inicio y la inferencia por bootstrap.
Incertidumbre: Se utiliza un bootstrap de bloques no paramétrico para estimar la matriz de error de medición ( $W$ ) de la Etapa 1, la cual se mantiene fija durante la optimización de la Etapa 2.

3. Contribuciones Clave

Marco General de Fusión: Extiende el modelo LMC de una sola fuente (Russell et al., 2020) a un entorno multi-fuente, demostrando que las correlaciones cruzadas son identificables incluso sin sitios co-ubicados, siempre que las redes estén bien entrelazadas espacialmente.
Eficiencia Computacional: El uso de gradientes analíticos y la estructura LMC permite manejar un espacio de parámetros de alta dimensión (33 parámetros libres) de manera computacionalmente práctica, evitando la necesidad de métodos MCMC costosos.
Implementación en R: El método se ha implementado en el paquete R evfuse, facilitando su aplicación a otros dominios (calidad del aire, precipitación, etc.).
Validación Rigurosa: Proporciona evidencia cuantitativa mediante validación cruzada (LOO y bloques geográficos) sobre los beneficios de la fusión, no solo en precisión, sino también en la reducción de sesgos en zonas sin datos.

4. Resultados Principales

Correlaciones Cruzadas: Se encontraron correlaciones extremadamente altas entre las fuentes:
- Ubicación ( $\mu$ ): $r = 0.995$ (casi perfecta).
- Forma ( $\xi$ ): $r = 0.837$ (alta).
- Escala ( $\log \sigma$ ): $r = 0.443$ (moderada).
- Interpretación: La alta correlación en la ubicación es el principal motor de la fusión, permitiendo que los 100 sitios de simulación "densifiquen" efectivamente la red de 29 mareógrafos.
Reducción del Error (RMSE):
- La validación cruzada "Leave-One-Out" (LOO) mostró una reducción del 35% en el RMSE de los niveles de retorno de 100 años en comparación con un modelo basado solo en NOAA.
- La mejora se concentra en el parámetro de ubicación (18.1% de la reducción) y en la forma (10.5%).
Validación Geográfica (Bloques): Al realizar validación cruzada por bloques geográficos (dejando fuera regiones enteras como la Costa del Golfo), la fusión mantuvo un beneficio del 18% en el RMSE general, y del 36% en los sitios restantes, demostrando que el modelo funciona bien incluso bajo extrapolación espacial.
Mapas de Niveles de Retorno:
- En la costa atlántica (donde la densidad de ADCIRC es alta), la fusión reduce significativamente la incertidumbre (bandas de confianza más estrechas).
- En la costa del Golfo (donde los mareógrafos son escasos), la fusión ajusta las estimaciones puntuales hacia arriba, corrigiendo la subestimación sistemática del modelo ADCIRC puro, gracias a la alta correlación en la forma de la cola.
Saturación de la Red: Se identificó que ~30 sitios de simulación (aprox. uno por rango de correlación mínimo) son suficientes para capturar la mayor parte del beneficio de la fusión; añadir más (hasta 100) ofrece ganancias marginales adicionales.

5. Significado e Impacto

Gestión de Riesgos Costeros: El enfoque proporciona mapas de niveles de retorno más precisos y con menor incertidumbre para la planificación costera, la ingeniería y la gestión de desastres en EE. UU.
Generalidad: El marco es aplicable a cualquier dominio donde existan observaciones escasas de "verdad terreno" junto con salidas de modelos densos (ej. calidad del aire con satélites, precipitación con radar).
Superación de Limitaciones: Demuestra que es posible realizar inferencia espacial de extremos robusta sin necesidad de modelos bayesianos jerárquicos completos (que son computacionalmente prohibitivos para grandes conjuntos de datos) ni de observaciones co-ubicadas.
Advertencia Práctica: El estudio advierte que la fusión no beneficia uniformemente a todos los parámetros; en este caso, el parámetro de escala mostró una correlación moderada y, bajo extrapolación espacial, la fusión incluso aumentó ligeramente el error en ese parámetro específico, subrayando la necesidad de analizar las correlaciones por parámetro antes de asumir beneficios universales.

En conclusión, el trabajo presenta una solución computacionalmente eficiente y estadísticamente sólida para integrar datos observacionales y de simulación, logrando una mejora sustancial en la estimación de eventos extremos costeros.