Integrating Explainable Machine Learning, Extreme Value Analysis, and CMIP6 Projections for Extreme Precipitation Prediction in the Eastern Mediterranean Coastal Region of Türkiye

Resumen Técnico: Integración de Aprendizaje Automático Explicable, Análisis de Valores Extremos y Proyecciones CMIP6 para la Predicción de Precipitaciones Extremas en la Región Costera del Mediterráneo Oriental de Turquía

Planteamiento del Problema
La región costera del Mediterráneo oriental de Turquía (que comprende Mersin, Adana, Osmaniye y Hatay) enfrenta riesgos severos derivados de eventos de precipitación extrema, los cuales amenazan a centros urbanos densamente poblados y tierras agrícolas. A pesar de esta vulnerabilidad, las investigaciones previas han carecido de un marco analítico unificado que integre los impulsores físicos, las propiedades de recurrencia estadística y las trayectorias climáticas futuras para este subregión específica. Los estudios existentes suelen depender de análisis de estaciones aisladas, no logran correlacionar las estimaciones del periodo de recurrencia con los modelos de predicción de aprendizaje automático (ML), o no consideran adecuadamente la heterogeneidad de los regímenes de precipitación causada por la topografía compleja (p. ej., las montañas de Tauro). Además, si bien los modelos CMIP6 predicen un calentamiento significativo y sequías estivales, el comportamiento futuro específico de la frecuencia frente a la intensidad de la precipitación extrema sigue sin estar claro a nivel local.

Metodología
Este estudio presenta un flujo de trabajo híbrido de aprendizaje automático y estadística diseñado para abordar estas brechas a través de ocho etapas integradas:

1. Adquisición de Datos y Control de Calidad: El estudio utilizó 24 estaciones terrestres del Servicio Meteorológico Estatal Turco (TSMS) (2010–2024), aumentadas por datos de precipitación satelital CHIRPS, reanálisis ERA5-Land e índices de teleconexión de la NOAA. Se aplicó un riguroso proceso de control de calidad de dos etapas que excluyó las estaciones con >5% de datos faltantes y aplicó pruebas de homogeneidad (SNHT, Pettitt, Buishand) para identificar cambios de régimen.
2. Fusión de Datos de Múltiples Fuentes: Se creó un nuevo conjunto de datos diarios fusionando observaciones terrestres, datos satelitales y productos de reanálisis. Esto implicó inferencia espacial, correcciones de máscara de mar para estaciones costeras, corrección de sesgo para variables de temperatura y completado de vacíos (gap filling).
3. Agrupamiento Espacial (Clustering): El agrupamiento K-Means particionó las 24 estaciones en tres zonas de régimen de precipitación físicamente interpretables: Costera, Interior y Montañosa, basadas en elevación, totales de precipitación, ratios estacionales y temperatura.
4. Ingeniería de Características (Feature Engineering): Se construyó una matriz de predictores de 40 atributos, que incluye variables meteorológicas, datos topográficos, codificaciones temporales, etiquetas de clúster y 30 características de teleconexión (índices rezagados de ONI, NAO, AO, AMO, EAWR).
5. Clasificación de Aprendizaje Automático: Se entrenó un clasificador binario XGBoost para predecir la precipitación extrema (definida como lluvia diaria ≥percentil 95). El modelo abordó el desequilibrio de clases (relación 1:18) mediante el uso de ponderación de frecuencia inversa. El rendimiento se evaluó utilizando validación cruzada temporal y un conjunto de prueba independiente (2023–2024).
6. Explicabilidad (XAI): Se empleó el análisis SHAP (SHapley Additive exPlanations) para interpretar el modelo XGBoost, identificando los predictores dominantes y sus interacciones no lineales a través de diferentes clústeres espaciales.
7. Análisis de Valores Extremos (EVA): Los periodos de retorno se estimaron utilizando 44 años de datos CHIRPS (1981–2024) mediante dos métodos complementarios: la distribución de Valores Extremos Generalizados (GEV) para máximos anuales y la Distribución de Pareto Generalizada (GPD) para picos sobre el umbral (POT).
8. Proyecciones Futuras: Las proyecciones CMIP6 del modelo MPI-ESM1-2-LR bajo los escenarios SSP2-4.5 y SSP5-8.5 fueron corregidas por sesgo y analizadas para el horizonte 2041–2060 para evaluar los cambios en la frecuencia de eventos extremos y la intensidad de los días húmedos.

Resultados Clave

• Cambio de Régimen: Las pruebas de homogeneidad identificaron un cambio de régimen de precipitación estadísticamente significativo que comenzó en 2020. La anomalía media del dominio respecto a la década anterior fue de −20.5%, observándose las disminuciones más severas en las estaciones interiores (p. ej., Osmaniye: −35.9%). Este cambio coincidió con un cambio en la distribución de la variable objetivo entre el periodo de entrenamiento (2010–2022) y el de prueba (2023–2024).
• Rendimiento del Modelo: El clasificador XGBoost alcanzó un AUC-ROC de 0.835 en el conjunto de prueba independiente, demostrando una capacidad de discriminación robusta a pesar de las condiciones no estacionarias. La puntuación F1 en el conjunto de prueba fue de 0.288, inferior a la puntuación de validación cruzada (0.403), lo cual se atribuye a la menor frecuencia de eventos extremos durante el periodo de sequía post-2020.
• Importancia de las Características: El análisis SHAP reveló la humedad relativa cerca de la superficie como el predictor dominante por excelencia (media |SHAP| = 0.557). Su importancia se intensificó con la elevación (0.469 en el clúster Costero frente a 0.642 en el Montañoso), reflejando el mecanismo de precipitación orográfica. Se identificó un umbral de activación no lineal cerca del 65–70% de humedad relativa. La temperatura media fue la segunda característica más importante, mostrando una contribución negativa por encima de los 15–20 °C.
• Teleconexiones: Se identificaron los índices de gran escala AMO (correlación negativa, r = −0.335) y EAWR (correlación positiva, r = +0.299) como impulsores significativos de la variabilidad interanual.
• Niveles de Retorno: El ajuste GEV arrojó un nivel de retorno de 100 años para el promedio del dominio de 102.4 mm día⁻¹. El mayor peligro se concentró en el corredor interior oriental (p. ej., Düzici: 153.1 mm día⁻¹), donde el aire húmedo interactúa con las estribaciones de Tauro. Tufanbeyli, a pesar de su alta elevación, mostró el nivel de retorno más bajo (54.9 mm día⁻¹) debido a los efectos de sombra de lluvia.
• Proyecciones Futuras: Las proyecciones CMIP6 indican una disminución constante en la frecuencia de eventos extremos para 2041–2060 bajo ambos escenarios (−19.5% para SSP2-4.5 y −12.1% para SSP5-8.5). Sin embargo, se proyecta que la intensidad de los días húmedos disminuya bajo SSP2-4.5 (−2.2%) pero aumente bajo SSP5-8.5 (+1.2%), sugiriendo un futuro de "menos eventos pero potencialmente más intensos" bajo escenarios de altas emisiones.

Significancia y Contribuciones
Los autores afirman que este estudio proporciona el primer flujo integrado de ML–valores extremos–proyección climática específicamente para la región costera del Mediterráneo oriental de Turquía. La significancia del trabajo radica en:

1. Marco Unificado: Combinación exitosa de fusión de datos de múltiples fuentes, agrupamiento espacial, ML explicable y análisis de valores extremos para caracterizar los peligros de precipitación extrema.
2. Interpretabilidad Física: Uso de SHAP para recuperar empíricamente las relaciones físicas (como la relación de Clausius–Clapeyron y los mecanismos de levantamiento orográfico) sin la entrada explícita de ecuaciones físicas, validando la alineación del modelo con la física atmosférica.
3. Detección de Cambio de Régimen: Identificación de un cambio hidroclimatológico genuino en 2020 que impacta la transferibilidad del modelo, destacando la necesidad de protocolos de reentrenamiento adaptativos en el pronóstico operativo.
4. Implicaciones de Infraestructura: Demostración de que los niveles de retorno de 100 años estimados en el corredor oriental exceden sustancialmente los umbrales actuales de diseño de drenaje urbano (50–100 mm día⁻¹), lo que indica vulnerabilidad estructural.
5. Caracterización del Riesgo Futuro: Clarificación de la divergencia entre las tendencias de frecuencia e intensidad bajo diferentes escenarios de emisiones, sugiriendo que, si bien los días extremos pueden ser menos frecuentes, su intensidad podría aumentar bajo trayectorias de altas emisiones.

El estudio concluye que, si bien la región enfrenta una tendencia de secado en términos de frecuencia de eventos, el potencial de intensificación de los eventos de lluvia bajo escenarios de altas emisiones requiere una revisión de los estándares de diseño de infraestructura y el desarrollo de sistemas de alerta temprana adaptativos que consideren las condiciones hidroclimatológicas no estacionarias.