📊 statistics

Analysing Extreme Rainfall via a Geometric Framework

Motivé par le défi de données EVA 2025, ce papier propose un cadre géométrique pour l'analyse des valeurs extrêmes afin de prédire l'étendue spatiale et la durée des précipitations extrêmes dans l'est des États-Unis en tenant compte de la non-stationnarité et des dépendances complexes.

Auteurs originaux : Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

Publié 2026-03-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌧️ Le pari des géomètres : Prédire les pluies diluviennes sans carte au trésor

Imaginez que vous essayez de prédire la prochaine grande inondation qui pourrait frapper Asheville, en Caroline du Nord (la région touchée par l'ouragan Helene). Le problème ? Les modèles climatiques actuels sont comme des millions de simulations de "ce qui pourrait se passer", mais ils ne reproduisent pas exactement les tempêtes réelles de l'histoire. C'est un peu comme essayer de deviner la prochaine main de poker d'un joueur en regardant seulement des statistiques générales, sans voir les cartes qu'il a déjà jouées.

L'équipe de l'Université de Lancaster (Team Lancaster Geometric) a relevé ce défi en utilisant une approche très originale : la géométrie des extrêmes.

1. Le problème : Quand la météo ne fait pas dans la dentelle

La pluie extrême est capricieuse. Elle ne se comporte pas toujours de la même façon selon l'endroit où vous êtes (à cause des montagnes) ou l'heure de la journée (saisonnière).

L'analogie : Imaginez que vous essayez de dessiner une carte d'une île, mais que la forme de l'île change selon la marée et la saison. Si vous utilisez une règle rigide, vous allez vous tromper. Les chercheurs disent : "La pluie est non-stationnaire", ce qui veut dire qu'elle ne suit pas les règles habituelles de la statistique classique.

2. La solution : Redessiner la carte (La déformation)

Pour gérer cette imprévisibilité, l'équipe a utilisé une astuce de magicien appelée déformation spatiale.

L'analogie : Imaginez que votre grille de données (les 25 points de mesure) est dessinée sur un élastique. Là où la pluie est très irrégulière (à cause des montagnes), l'élastique est étiré. Là où elle est calme, il est détendu.
Ce qu'ils font : Ils prennent cet élastique et le "lissent" pour créer un nouveau monde imaginaire (le "plan D"). Dans ce nouveau monde, les règles de la pluie deviennent simples et régulières. C'est comme si on transformait un terrain de golf accidenté en une surface parfaitement plate pour pouvoir y jouer au billard plus facilement.

3. L'outil principal : La "Géométrie des Extrêmes"

Une fois la carte redessinée, ils utilisent une méthode mathématique appelée analyse géométrique des extrêmes.

L'analogie : Imaginez que vous lancez des milliers de balles de tennis dans le ciel. La plupart tombent près du sol (la pluie normale). Mais parfois, quelques-unes montent très haut (les pluies extrêmes).
La méthode : Au lieu de regarder chaque balle individuellement, les chercheurs regardent la forme du nuage que forment ces balles quand elles montent très haut.
- Si le nuage est très étroit, cela signifie que la pluie extrême reste localisée (une averse sur un quartier).
- Si le nuage est large et étalé, cela signifie que la pluie touche toute la région en même temps.
- Cette "forme" (appelée gauge function ou fonction de jauge) leur permet de prédire ce qui se passe au-delà de ce qu'ils ont déjà observé. C'est comme deviner la taille d'un iceberg en ne voyant que la pointe qui dépasse de l'eau.

4. Le défi du temps : Combien de jours ça dure ?

Le concours demandait aussi de savoir combien de temps dure une inondation.

L'analogie : Si vous regardez une vidéo au ralenti, vous voyez que les balles de tennis ne tombent pas toutes en même temps, mais par vagues.
La technique : L'équipe a créé un système pour "garder le rythme". Au lieu de regarder les balles une par une, ils les ont prises par petits groupes (des blocs de 4 jours). Cela leur permet de simuler des scénarios où la pluie tombe pendant plusieurs jours d'affilée, ce qui est crucial pour évaluer les risques d'inondation.

5. Les résultats : Ont-ils gagné ?

Ils ont utilisé leur modèle pour répondre à trois questions du concours :

Combien de fois toute la région sera-t-elle inondée en même temps ?
Combien de fois au moins 6 endroits seront-ils touchés ?
Combien de fois 3 endroits seront-ils touchés pendant au moins deux jours ?

Le verdict :
Leur modèle a très bien fonctionné pour la plupart des scénarios. Il a réussi à prédire la fréquence de ces événements rares avec une bonne précision.

Petite note : Pour le premier scénario (toute la région inondée), ils avaient un peu surestimé le risque au début, mais en ajustant leur "règle de l'élastique" et la taille des blocs de temps, ils ont affiné leur tir.

En résumé

Cette équipe a réussi à transformer un problème de météo chaotique en un problème de géométrie.

Ils ont lissé la carte pour que les règles soient simples.
Ils ont étudié la forme des nuages de pluie extrême pour deviner l'inconnu.
Ils ont gardé le rythme du temps pour prédire la durée des catastrophes.

C'est une preuve que parfois, pour comprendre le chaos de la nature, il faut arrêter de regarder les détails un par un et commencer à regarder la forme globale du puzzle.

Titre : Analyse des précipitations extrêmes via un cadre géométrique

Contexte : Défi de données de la conférence EVA 2025 (Équipe Lancaster Geometric).

1. Problématique

L'objectif principal est de prédire les caractéristiques des précipitations extrêmes dans l'est des États-Unis, en se basant sur les données d'un grand ensemble de simulations du modèle climatique CESM2 (projet LENS2). Le défi se concentre sur trois quantités d'intérêt (CTQ) nécessitant une extrapolation au-delà des niveaux observés :

CTQ1 : Le nombre attendu de fois où les 25 emplacements spatiaux dépassent simultanément un seuil élevé (1,7 unités de Leadbetter).
CTQ2 : Le nombre attendu de fois où au moins 6 des 25 emplacements dépassent un seuil élevé (5,7 unités).
CTQ3 : Le nombre attendu de fois où au moins 3 emplacements dépassent un seuil (5 unités) pendant une durée d'au moins deux jours consécutifs.

Le défi réside dans la modélisation de processus spatiaux et temporels non stationnaires (influencés par la topographie et les saisons) et la gestion de la dépendance extrême, qui peut être soit asymptotiquement dépendante (AD), soit asymptotiquement indépendante (AI), cette dernière étant fréquente en météorologie mais difficile à modéliser.

2. Méthodologie

L'équipe propose une approche basée sur un cadre géométrique pour l'analyse des valeurs extrêmes, combinée à des procédures de prétraitement pour gérer la non-stationnarité.

A. Gestion de la non-stationnarité

Non-stationnarité temporelle (Marges) :
- Utilisation d'une approche en deux étapes inspirée d'Eastoe et Tawn (2009).
- Modélisation du processus brut $Y_t$ via un modèle de localisation-échelle : $Y_t = \mu(x_t) + \sigma(x_t)Z_t$ , où $\mu$ et $\sigma$ sont estimés par des modèles additifs généralisés (GAM) incluant des tendances cycliques, des tendances à long terme et des termes autorégressifs (AR) pour capturer la dépendance résiduelle.
- Les excès au-dessus d'un seuil élevé du processus standardisé $Z_t$ sont modélisés par une distribution de Pareto généralisée (GPD) non stationnaire.
- Transformation semi-paramétrique des marges vers une loi exponentielle standard pour l'analyse des extrêmes.
Non-stationnarité spatiale (Dépendance) :
- Application d'une déformation spatiale (Richards et Wadsworth, 2021) utilisant des splines de plaque mince.
- Transformation des coordonnées géographiques originales (plan G) vers un espace latent (plan D) où la stationnarité et l'isotropie sont supposées valables. Les paramètres de déformation sont estimés en minimisant l'écart entre les coefficients de dépendance de queue théoriques et empiriques.

B. Cadre Géométrique Spatial

Modélisation de la dépendance : Utilisation de l'approche géométrique (Wadsworth et Campbell, 2024 ; Kakampakou et Wadsworth, 2025) qui étudie la convergence des nuages de points vers un ensemble limite.
Transformation Radiale-Angulaire : Décomposition du vecteur spatial $Z$ en une composante radiale $R$ (somme des valeurs) et une composante angulaire $W$ (direction).
Loi conditionnelle : Au-dessus d'un seuil élevé, la distribution conditionnelle de $R$ étant donné $W$ est modélisée par une loi Gamma tronquée.
Fonction de jauge : Utilisation d'une fonction de jauge gaussienne généralisée pour caractériser la forme de l'ensemble limite, permettant de capturer des structures de dépendance complexes (à la fois AD et AI). La matrice de corrélation spatiale est paramétrée par une fonction exponentielle puissée.

C. Extrapolation et Estimation

Simulation : Pour estimer les probabilités d'événements rares, l'équipe génère des échantillons dans la queue multivariée en tirant des composantes angulaires (empiriques ou ré-pondérées) et radiales (modèle Gamma tronqué).
Gestion du temps (CTQ3) : Pour estimer la durée des événements, une procédure d'échantillonnage par blocs temporels est utilisée (taille de bloc = 4 jours), basée sur la stabilisation du coefficient de dépendance de queue spatio-temporelle.
Estimation des CTQ : Calcul des probabilités d'ensembles extrêmes complexes (intersections et unions de seuils) en utilisant des techniques d'extrapolation avec un facteur d'échelle $k$ optimisé pour garantir un nombre suffisant de points simulés dans les régions d'intérêt.

3. Résultats Principaux

Performance du modèle : Les diagnostics (graphiques PP et QQ, coefficients de dépendance de queue) montrent un ajustement globalement satisfaisant du modèle Gamma tronqué sur les données transformées. Le modèle capture bien la dépendance spatiale dans l'espace déformé (plan D).
Estimations des CTQ :
- Les estimations pour les runs 2, 3 et 4 du modèle climatique sont cohérentes avec les valeurs empiriques observées sur 50 runs.
- Le Run 1 présente une légère surestimation des probabilités de queue.
- La CTQ3 (durée temporelle) montre un biais légèrement plus élevé que les autres, suggérant que l'extension complète du modèle à une dépendance spatio-temporelle structurée pourrait améliorer les résultats.
Comparaison avec la soumission initiale : Les auteurs notent une amélioration significative par rapport à leur soumission initiale pour le défi, grâce à l'intégration de la non-stationnarité temporelle, à la déformation spatiale et à un choix plus rigoureux du paramètre d'extrapolation $k$ et de la taille des blocs temporels.

4. Contributions Clés

Application du cadre géométrique : Démonstration de la flexibilité de l'approche géométrique pour l'analyse des extrêmes spatiaux, capable de gérer à la fois l'indépendance et la dépendance asymptotiques.
Traitement de la non-stationnarité : Intégration robuste de la non-stationnarité temporelle (via GAM/GPD) et spatiale (via déformation par spline) sans dépendre fortement de covariables externes explicites.
Méthodologie d'extrapolation temporelle : Développement d'une procédure d'échantillonnage par blocs permettant d'estimer la durée des événements extrêmes tout en préservant la structure de dépendance temporelle.
Validation empirique : Évaluation rigoureuse sur un jeu de données de défi réel, montrant la capacité du modèle à extrapoler au-delà des observations pour des événements rares et complexes.

5. Signification et Perspectives

Ce travail démontre que les méthodes géométriques modernes en théorie des valeurs extrêmes sont des outils puissants pour la modélisation des risques climatiques, offrant une alternative flexible aux modèles classiques souvent limités par des hypothèses de stationnarité rigides.

Limites et travaux futurs :

L'extension vers une modélisation spatio-temporelle pleinement intégrée (matrices de corrélation non séparables) est identifiée comme une étape naturelle.
L'amélioration de la modélisation de la distribution angulaire dans un contexte spatio-temporel pourrait enrichir la qualité des prédictions pour des dimensions plus élevées.
L'adoption d'un cadre descriptif pour les mécanismes physiques sous-jacents, lorsque ceux-ci sont mal connus, est suggérée comme une direction de recherche prometteuse.

En résumé, cette étude fournit une méthodologie robuste pour quantifier les risques liés aux précipitations extrêmes étendues dans le temps et l'espace, un enjeu crucial pour la conception de systèmes de défense contre les catastrophes naturelles.