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

Résumé Technique : Intégration de l'apprentissage automatique explicable, de l'analyse des valeurs extrêmes et des projections CMIP6 pour la prédiction des précipitations extrêmes dans la région côtière de la Méditerranée orientale de la Turquie

Énoncé du problème
La région côtière de la Méditerranée orientale de la Turquie (comprenant Mersin, Adana, Osmaniye et Hatay) est confrontée à des risques graves liés aux événements de précipitations extrêmes, qui menacent les centres urbains densément peuplés et les terres agricoles. Malgré cette vulnérabilité, les recherches antérieures ont manqué d'un cadre analytique unifié intégrant les moteurs physiques, les propriétés de récurrence statistique et les trajectoires climatiques futures pour cette sous-région spécifique. Les études existantes reposent souvent sur des analyses de stations isolées, ne parviennent pas à corréler les estimations de la période de récurrence avec les modèles de prédiction par apprentissage automatique (ML), ou ne tiennent pas compte de manière adéquate de l'hétérogénéité des régimes de précipitations causée par une topographie complexe (par exemple, les montagnes du Taurus). De plus, bien que les modèles CMIP6 prédisent un réchauffement significatif et une sécheresse estivale, le comportement futur spécifique de la fréquence versus l'intensité des précipitations extrêmes reste incertain à l'échelle locale.

Méthodologie
Cette étude présente un pipeline hybride d'apprentissage automatique et de statistiques conçu pour combler ces lacunes à travers huit étapes intégrées :

1. Acquisition des données et contrôle de la qualité : L'étude a utilisé 24 stations au sol du Service Météorologique de l'État Turc (TSMS) (2010–2024), augmentées par les données de précipitations satellitaires CHIRPS, la réanalyse ERA5-Land et les indices de téléconnexion de la NOAA. Un processus rigoureux de contrôle de la qualité en deux étapes a exclu les stations présentant plus de 5 % de données manquantes et a appliqué des tests d'homogénéité (SNHT, Pettitt, Buishand) pour identifier les changements de régime.
2. Fusion de données multi-sources : Un nouvel ensemble de données quotidiennes a été créé en fusionnant les observations au sol, les données satellitaires et les produits de réanalyse. Cela a impliqué l'inférence spatiale, les corrections de masque marin pour les stations côtières, la correction des biais pour les variables de température et le remplissage des lacunes.
3. Clustering spatial : Le clustering K-Means a partitionné les 24 stations en trois zones de régime de précipitations physiquement interprétables : Côtière, Intérieure et Montagneuse, basées sur l'élévation, les totaux de précipitations, les ratios saisonniers et la température.
4. Ingénierie des caractéristiques (Feature Engineering) : Une matrice de prédicteurs à 40 attributs a été construite, incluant des variables météorologiques, des données topographiques, des encodages temporels, des étiquettes de cluster et 30 caractéristiques de téléconnexion (indices décalés pour ONI, NAO, AO, AMO, EAWR).
5. Classification par apprentissage automatique : Un classifieur binaire XGBoost a été entraîné pour prédire les précipitations extrêmes (définies comme une pluie quotidienne ≥ 95e percentile). Le modèle a traité le déséquilibre des classes (ratio 1:18) en utilisant une pondération par fréquence inverse. La performance a été évaluée par validation croisée temporelle et un ensemble de test indépendant (2023–2024).
6. Explicabilité (XAI) : L'analyse SHAP (SHapley Additive exPlanations) a été employée pour interpréter le modèle XGBoost, identifiant les prédicteurs dominants et leurs interactions non linéaires à travers différents clusters spatiaux.
7. Analyse des valeurs extrêmes (EVA) : Les périodes de retour ont été estimées à l'aide de 44 années de données CHIRPS (1981–2024) via deux méthodes complémentaires : la distribution des Valeurs Extrêmes Généralisées (GEV) pour les maxima annuels et la Distribution Pareto Généralisée (GPD) pour les pics de dépassement de seuil (POT).
8. Projections futures : Les projections CMIP6 du modèle MPI-ESM1-2-LR sous les scénarios SSP2-4.5 et SSP5-8.5 ont été corrigées pour les biais et analysées pour l'horizon 2041–2060 afin d'évaluer les changements de fréquence et d'intensité des événements extrêmes.

Résultats clés

• Changement de régime : Les tests d'homogénéité ont identifié un changement de régime de précipitations statistiquement significatif débutant en 2020. L'anomalie moyenne du domaine par rapport à la décennie précédente était de −20,5 %, les diminutions les plus sévères étant observées dans les stations intérieures (ex. Osmaniye : −35,9 %). Ce changement a coïncidé avec un changement de la distribution de la variable cible entre la période d'entraînement (2010–2022) et la période de test (2023–2024).
• Performance du modèle : Le classifieur XGBoost a atteint un AUC-ROC de 0,835 sur l'ensemble de test indépendant, démontrant une capacité de discrimination robuste malgré les conditions non stationnaires. Le score F1 sur l'ensemble de test est de 0,288, inférieur au score de validation croisée (0,403), ce qui est attribué à la fréquence réduite des événements extrêmes durant la période de sécheresse post-2020.
• Importance des caractéristiques : L'analyse SHAP a révélé que l'humidité relative près de la surface est le prédicteur dominant (moyenne |SHAP| = 0,557). Son importance s'intensifie avec l'élévation (0,469 dans les clusters Côtiers contre 0,642 dans les Montagneux), reflétant le mécanisme de précipitation orographique. Un seuil d'activation non linéaire a été identifié autour de 65–70 % d'humidité relative. La température moyenne est la deuxième caractéristique la plus importante, montrant une contribution négative au-dessus de 15–20 °C.
• Téléconnexions : Les indices à grande échelle AMO (corrélation négative, r = −0,335) et EAWR (corrélation positive, r = +0,299) ont été identifiés comme des moteurs significatifs de la variabilité interannuelle.
• Niveaux de retour : L'ajustement GEV a produit un niveau de retour de 100 ans moyen pour le domaine de 102,4 mm jour⁻¹. Le danger le plus élevé est concentré dans le corridor intérieur oriental (ex. Düzici : 153,1 mm jour⁻¹), où l'air humide interagit avec les contreforts du Taurus. Tufanbeyli, malgré une élévation élevée, présente le niveau de retour le plus bas (54,9 mm jour⁻¹) en raison des effets d'ombre pluviométrique.
• Projections futures : Les projections CMIP6 indiquent une diminution constante de la fréquence des événements extrêmes d'ici 2041–2060 sous les deux scénarios (−19,5 % pour SSP2-4.5 et −12,1 % pour SSP5-8.5). Cependant, l'intensité des jours humides devrait diminuer sous SSP2-4.5 (−2,2 %) mais augmenter sous SSP5-8.5 (+1,2 %), suggérant un futur « moins fréquent mais potentiellement plus intense » sous les scénarios à fortes émissions.

Signification et contributions
Les auteurs affirment que cette étude constitue le premier pipeline intégré ML–valeur extrême–projection climatique spécifiquement pour la région côtière de la Méditerranée orientale de la Turquie. La signification du travail réside dans :

1. Cadre unifié : Réussite de la combinaison de la fusion de données multi-sources, du clustering spatial, de l'apprentissage automatique explicable et de l'analyse des valeurs extrêmes pour caractériser les aléas de précipitations extrêmes.
2. Interprétabilité physique : Utilisation de SHAP pour récupérer empiriquement les relations physiques (telles que la relation de Clausius–Clapeyron et les mécanismes de soulèvement orographique) sans entrées d'équations physiques explicites, validant l'alignement du modèle avec la physique atmosphérique.
3. Détection de changement de régime : Identification d'un véritable changement hydroclimatologique en 2020 qui impacte la transférabilité des modèles, soulignant la nécessité de protocoles de réentraînement adaptatifs pour la prévision opérationnelle.
4. Implications pour les infrastructures : Démonstration que les niveaux de retour de 100 ans estimés dans le corridor oriental dépassent largement les seuils actuels de conception du drainage urbain (50–100 mm jour⁻¹), indiquant une vulnérabilité structurelle.
5. Caractérisation des risques futurs : Clarification de la divergence entre les tendances de fréquence et d'intensité sous différents scénarios d'émissions, suggérant que si les jours extrêmes pourraient devenir moins fréquents, leur intensité pourrait augmenter sous les trajectoires à hautes émissions.

L'étude conclut que, bien que la région soit confrontée à une tendance à l'assèchement en termes de fréquence des événements, le potentiel d'intensification des événements de précipitations sous les scénarios à fortes émissions nécessite une révision des normes de conception des infrastructures et le développement de systèmes d'alerte précoce adaptatifs tenant compte des conditions hydroclimatologiques non stationnaires.