📊 statistics

Analysing Extreme Rainfall via a Geometric Framework

Motivados por el Reto de Datos EVA 2025, este trabajo propone un marco geométrico para la análisis de valores extremos que, al integrar la no estacionariedad y preservar la información temporal, permite predecir con precisión la extensión espacial y la duración de las lluvias extremas en el este de Estados Unidos mediante datos de modelos climáticos.

Autores originales: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

Publicado 2026-03-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

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

¡Hola! Imagina que somos un equipo de meteorólogos y matemáticos (el "Equipo Lancaster Geométrico") que ha recibido un desafío muy importante: predecir las tormentas más brutales que podrían ocurrir en el este de Estados Unidos, basándonos en simulaciones de computadora, no en datos históricos reales.

Aquí te explico cómo lo hicimos, usando analogías sencillas:

1. El Problema: Predecir lo "Imposible"

Imagina que quieres saber qué tan alto puede saltar un atleta. Si solo has visto saltos de 2 metros, ¿cómo sabes si puede saltar 3 metros? Es difícil porque nunca lo has visto.
En el clima pasa lo mismo. Tenemos datos de lluvia, pero queremos saber qué pasa cuando llueve mucho más de lo que hemos visto nunca (inundaciones catastróficas como la del huracán Helene). Los modelos climáticos nos dan miles de escenarios posibles, pero necesitamos una herramienta matemática para "estirar" esos datos y ver qué pasa en los extremos.

2. La Herramienta: La "Geometría de las Tormentas"

En lugar de usar las fórmulas antiguas y rígidas, usamos un enfoque nuevo llamado marco geométrico.

La analogía: Imagina que la lluvia en diferentes ciudades es como un grupo de personas saltando.
- Si llueve mucho en una ciudad, ¿llueve mucho en la vecina? A veces sí, a veces no.
- Nuestro modelo no solo mira cuánto llueve, sino la forma en que se comportan todas las ciudades juntas.
- Visualiza un mapa donde cada punto es una ciudad. Cuando llueve mucho, los puntos se "estiran" hacia un lado. Nuestro modelo dibuja una forma geométrica (como una nube o una esfera deformada) que describe cómo se comportan estos puntos cuando la lluvia es extrema. Esta forma nos permite predecir hacia dónde se estirará la tormenta si se vuelve aún más fuerte.

3. El Reto: El Terreno no es Plano (No Estacionariedad)

El problema es que la Tierra no es un lienzo plano y uniforme.

El problema: La lluvia se comporta diferente en las montañas que en el valle, y diferente en verano que en invierno. Si tratamos todo como si fuera igual, nos equivocamos.
La solución (Deformación del mapa): Imagina que tienes un mapa de goma elástico. Nuestro modelo toma ese mapa y lo estira y deforma (como si fuera un muelle) hasta que, en esa nueva forma deformada, la lluvia se comporta de manera uniforme.
- Antes de deformar, la lluvia en la esquina superior izquierda era muy diferente a la de la inferior derecha.
- Después de deformar el mapa (llamado "plano D"), todo se ve uniforme y podemos aplicar nuestras reglas geométricas con precisión.

4. El Reloj: Cuánto Dura la Tormenta

No solo queríamos saber dónde llovería, sino cuánto tiempo duraría.

La analogía: Imagina que la lluvia es una película. Si solo miras una foto, no sabes si la tormenta duró 10 minutos o 10 horas.
La solución: Usamos un método de "muestreo" que guarda la secuencia temporal. En lugar de tomar fotos sueltas, tomamos rodillos de película. Esto nos permite decir: "Si llueve mucho hoy, es muy probable que siga lloviendo mañana", capturando la duración de los eventos extremos.

5. Los Resultados: ¿Qué aprendimos?

Usamos este modelo para responder tres preguntas clave del desafío:

¿Cuántas veces llueve mucho en todas las ciudades a la vez? (Un evento catastrófico general).
¿Cuántas veces llueve mucho en al menos 6 ciudades?
¿Cuántas veces llueve mucho en al menos 3 ciudades durante dos días seguidos?

El veredicto:
Nuestro modelo geométrico funcionó muy bien para predecir estos eventos raros.

En la primera prueba (donde llueve en todas partes), tuvimos un pequeño error al principio, pero al ajustar la "deformación del mapa" y el tamaño de los "rodillos de película", mejoramos mucho.
El modelo nos dio estimaciones de probabilidad que son muy útiles para planificar defensas contra inundaciones.

En Resumen

Básicamente, tomamos un mapa de lluvia complejo y desordenado, lo deformamos mágicamente para que sea uniforme, usamos geometría avanzada para entender cómo se conectan las tormentas entre ciudades, y guardamos la secuencia temporal para saber cuánto duran. Todo esto nos permite ver más allá de lo que hemos visto en el pasado y prepararnos para las tormentas del futuro.

¡Es como tener una bola de cristal matemática que nos dice dónde y cuándo podrían ocurrir las peores lluvias!

Resumen Técnico: Análisis de Lluvias Extremas mediante un Marco Geométrico

1. Planteamiento del Problema
El trabajo aborda el desafío de predecir eventos de lluvia extrema en el este de los Estados Unidos, motivado por el EVA 2025 Data Challenge. El objetivo principal es estimar tres cantidades de interés (CTQs) que requieren extrapolación más allá de los niveles observados:

CTQ1: El número esperado de veces en que las 25 ubicaciones superan simultáneamente un umbral alto.
CTQ2: El número esperado de veces en que al menos 6 de las 25 ubicaciones superan un umbral alto.
CTQ3: El número esperado de veces en que al menos 3 ubicaciones superan un umbral durante una secuencia de al menos dos días consecutivos (duración temporal).

Los datos provienen de una gran ensemble de ejecuciones del modelo climático CESM2 (LENS2). Un reto fundamental es que estos modelos no replican eventos históricos específicos, por lo que se requiere un enfoque estadístico basado en la teoría de valores extremos para inferir probabilidades de eventos más extremos que los observados. Además, los datos presentan no estacionariedad tanto temporal (estacionalidad, tendencias) como espacial (anisotropía debida a la topografía).

2. Metodología
Los autores proponen un enfoque basado en el marco geométrico para el análisis de extremos, combinado con procedimientos de preprocesamiento para manejar la no estacionariedad.

Gestión de la No Estacionariedad Temporal:
- Se utiliza un enfoque de dos pasos adaptado de Eastoe y Tawn (2009).
- Primero, se modelan los márgenes no estacionarios mediante un modelo de ubicación-escala ( $Y_t = \mu(x_t) + \sigma(x_t)Z_t$ ) utilizando Modelos Aditivos Generalizados (GAM) con covariables (ciclo diario, tendencias a largo plazo y términos autorregresivos de precipitación).
- Segundo, se modelan los extremos de la serie estandarizada ( $Z_t$ ) utilizando una Distribución Generalizada de Pareto (GPD) no estacionaria.
- Finalmente, se transforman los márgenes a una distribución exponencial estándar para cumplir con los requisitos del marco geométrico.
Gestión de la No Estacionariedad Espacial:
- Se aplica un enfoque de deformación espacial (Richards y Wadsworth, 2021).
- Se utiliza un spline de placa delgada para mapear las ubicaciones originales (plano G) a un espacio latente (plano D) donde se asume estacionariedad. Los parámetros de deformación se estiman minimizando la discrepancia entre las matrices de dependencia extrema teóricas y empíricas.
Marco Geométrico Espacial:
- Se adopta el enfoque geométrico de Wadsworth y Campbell (2024) y Kakampakou y Wadsworth (2025).
- Se asumen márgenes exponenciales estándar y se transforma el vector aleatorio a coordenadas radiales ( $R$ ) y angulares ( $W$ ).
- Se modela la distribución condicional de $R$ dado $W$ (por encima de un umbral alto) como una distribución Gamma truncada.
- La función de gauge (que define el límite del conjunto de extremos) se parametriza mediante una función de gauge Gaussiana generalizada, que incluye un parámetro de rango ( $\phi$ ) y un parámetro de forma ( $\kappa$ ) para capturar la estructura de dependencia espacial.
Extrapolación y Estimación:
- Para estimar probabilidades en regiones extremas no observadas, se utiliza una técnica de extrapolación que implica muestrear de la distribución condicional $R | R' > k$ (donde $k > 1$ ).
- Para abordar la duración temporal (CTQ3), se implementa un procedimiento de muestreo por bloques temporales (tamaño de bloque = 4 días), re-pesando muestras empíricas para capturar la dependencia temporal en los componentes angulares.

3. Contribuciones Clave

Aplicación del Marco Geométrico: Demuestran la viabilidad y flexibilidad del marco geométrico para manejar estructuras de dependencia complejas (tanto asintóticamente dependientes como independientes) en un contexto espacial de alta dimensión (25 ubicaciones).
Integración de No Estacionariedad: Desarrollan un flujo de trabajo robusto que integra la eliminación de no estacionariedad temporal (vía GAM/GPD) y espacial (vía deformación) antes de aplicar el modelo de extremos.
Procedimiento de Muestreo Temporal: Introducen una metodología específica para estimar la duración de eventos extremos manteniendo la información temporal mediante bloques de componentes angulares, algo que los modelos espaciales puros suelen ignorar.
Mejora sobre la Solución Inicial: El artículo detalla las correcciones realizadas respecto a una primera entrega al desafío, incluyendo el ajuste de la selección del parámetro de extrapolación $k$ , el uso de distancias euclidianas en lugar de la norma L1, y la corrección de la transformación de márgenes.

4. Resultados

Ajuste del Modelo: Los diagnósticos (gráficos PP y QQ) muestran un ajuste satisfactorio del modelo de Gamma truncada a los datos de los cuatro runs del modelo climático. La dependencia extrema estimada coincide bien con los coeficientes empíricos en el plano D deformado.
Estimación de CTQs:
- Las estimaciones para los runs 2, 3 y 4 muestran un buen rendimiento al compararse con los valores empíricos de 50 ejecuciones.
- El run 1 mostró una ligera sobreestimación, atribuida a variaciones en la simulación del modelo climático.
- La CTQ3 (duración) mostró un sesgo ligeramente mayor en comparación con los valores empíricos, sugiriendo que una extensión completa espacio-temporal podría mejorar aún más los resultados.
Comparación con la Entrega Inicial: Las actualizaciones metodológicas (especialmente el tratamiento de la no estacionariedad y la selección de $k$ ) corrigieron errores significativos de la primera versión, reduciendo la sobreestimación drástica en la CTQ1.

5. Significado e Impacto
Este trabajo es significativo porque proporciona una herramienta estadística avanzada para la evaluación de riesgos de desastres naturales (como inundaciones por lluvias extremas) en un contexto de cambio climático.

Flexibilidad: El marco geométrico permite la extrapolación en cualquier dirección de la cola multivariante, lo cual es crucial para eventos compuestos raros.
Aplicabilidad Real: Al abordar la no estacionariedad sin depender excesivamente de covariables externas desconocidas, el método es robusto para aplicaciones en hidrología y climatología donde los mecanismos físicos exactos pueden ser complejos o incompletos.
Futuro: El estudio sienta las bases para modelos espacio-temporales más completos, sugiriendo que la incorporación de matrices de correlación no separables y una modelización más detallada de la distribución angular podría mejorar la predicción de la persistencia de eventos extremos.

En resumen, el equipo Lancaster Geometric demuestra que el marco geométrico, cuando se combina con técnicas adecuadas de preprocesamiento para la no estacionariedad, es una metodología poderosa y flexible para cuantificar el riesgo de eventos de lluvia extrema espaciotemporales.