📊 statistics

Regression modeling of multivariate precipitation extremes under regular variation

EVA2025 डेटा चुनौती को संबोधित करने के लिए, यह शोध पत्र CESM2 लार्ज एनसेंबल डेटा का उपयोग करके बहुभिन्नरूपी वर्षा की चरम घटनाओं और तीव्रता का अनुमान लगाने के लिए नियमित भिन्नता (regular variation) पर आधारित एक गणनात्मक रूप से कुशल दो-चरणीय प्रतिगमन रणनीति प्रस्तावित करता है।

मूल लेखक: Rishikesh Yadav, Arnab Hazra

प्रकाशित 2026-02-10

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Rishikesh Yadav, Arnab Hazra

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

"एक्सट्रीम वेदर डिटेक्टिव" दृष्टिकोण: अप्रत्याशित की भविष्यवाणी करना

कल्पना कीजिए कि आप एक मौसम जासूस हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि "शताब्दी में एक बार" आने वाली बाढ़ कितनी बार आ सकती है। समस्या यह है कि आप यह देखने के लिए 100 साल तक इंतजार नहीं कर सकते कि आप सही थे या नहीं! आपके पास केवल कुछ दशकों का डेटा है, और सबसे चरम घटनाएं—वे विशाल तूफान जो पूरे शहर को डुबो देते हैं—इतनी दुर्लभ हैं कि वे आपके रिकॉर्ड में शायद ही कभी दिखाई देती हैं।

यह शोधपत्र एक चतुर गणितीय रणनीति का वर्णन करता है जिसका उपयोग एक टीम ("DesiBoys") ने ठीक इसी समस्या को हल करने के लिए किया। उन्होंने जटिल जलवायु मॉडलों का उपयोग करके अत्यधिक वर्षा की भविष्यवाणी करने के लिए एक वैश्विक डेटा चुनौती (EVA2025) में भाग लिया।

उन्होंने इसे कैसे किया, यहाँ सरल विचारों में दिया गया है:

1. समस्या: डेटा में "भूत" (The Ghost in the Data)

सांख्यिकी (Statistics) में, चरम घटनाएं भूतों की तरह होती हैं। आप जानते हैं कि वे मौजूद हैं, और आप उनके धुंधले पदचिह्न (छोटी बारिश) देख सकते हैं, लेकिन वास्तविक "भूत" (विशाल बाढ़) शायद ही कभी देखा जाता है।

पारंपरिक गणितीय मॉडल उस टॉर्च की तरह हैं जो केवल उन्हीं चीजों के लिए काम करती है जो आपके ठीक सामने हो रही हैं। यदि आप उन्हें उस अंधेरे दूर तक देखने के लिए उपयोग करने की कोशिश करते हैं जहाँ "भूत" रहते हैं, तो रोशनी फीकी पड़ जाती है और गणित विफल हो जाता है।

2. समाधान: "बिंदुओं को जोड़ने" की रणनीति (The "Connect-the-Dots" Strategy)

अंधेरे में भूत कैसा दिखता है, इसका अनुमान लगाने के बजाय, शोधकर्ताओं ने रेगुलर वेरिएशन (Regular Variation) नामक एक विधि का उपयोग किया।

इसे इस तरह समझें: कल्पना कीजिए कि आप एक बच्चे के बढ़ने को देख रहे हैं। आप 5, 6 और 7 साल की उम्र में उसकी ऊंचाई को आसानी से माप सकते हैं। आप एक पैटर्न देखते हैं: हर साल, वह लगभग 2 इंच बढ़ता है। भले ही आपने उसे 30 साल की उम्र में नहीं देखा है, फिर भी आप उस "विकास पैटर्न" का उपयोग करके यह अनुमान लगा सकते हैं कि वह कितनी लंबा होगा।

शोधकर्ताओं ने बारिश के साथ भी यही किया:

चरण A (पदचिह्न): उन्होंने "सब-एसिम्प्टोटिक" (sub-asymptotic) स्तरों को देखा—मूल रूप से मध्यम स्तर की बारिश जो इतनी बार होती है कि उन्हें सटीक रूप से मापा जा सके।
चरण B (पैटर्न): उन्होंने एक गणितीय नियम (रेगुलर वेरिएशन) का उपयोग किया जो कहता है, "यदि छोटी तूफानी बारिश इस विशिष्ट पैटर्न का पालन करती है, तो विशाल तूफान भी एक संबंधित पैटर्न का पालन करेंगे।"
चरण C (एक्सट्रपलेशन/Extrapolation): उन्होंने मध्यम बारिश से लेकर अंधेरे की ओर एक रेखा (एक रिग्रेशन मॉडल) खींची ताकि विशाल तूफानों की तीव्रता की भविष्यवाणी की जा सके।

3. "सुरक्षा जाल": द ब्लॉक बूटस्ट्रैप (The "Safety Net": The Block Bootstrap)

जब आप भविष्य के बारे में कोई अनुमान लगाते हैं, तो आपको यह जानने की आवश्यकता होती है कि आप उस पर कितना भरोसा कर सकते हैं। यदि आप अनुमान लगाते हैं कि एक व्यक्ति 6 फीट लंबा होगा, तो आप 90% निश्चित हो सकते हैं, या केवल 50% निश्चित।

उनकी "निश्चितता" को समझने के लिए, उन्होंने ब्लॉक बूटस्ट्रैपिंग (Block Bootstrapping) नामक तकनीक का उपयोग किया।
कल्पना कीजिए कि आपके पास ताश की एक गड्डी है जो मौसम के विभिन्न वर्षों का प्रतिनिधित्व करती है। उन्हें बेतरतीब ढंग से फेंटने के बजाय, आप कार्डों के "ब्लॉक" (जैसे एक पूरा महीना या एक पूरा वर्ष) लेते हैं और उन ब्लॉक्स को फिर से फेंटते हैं। यह मौसम की "कहानी" को बरकरार रखता है (क्योंकि जनवरी का मौसम फरवरी के मौसम से संबंधित होता है) जबकि यह आपको हजारों "क्या-अगर" (what-if) परिदृश्यों को चलाने की अनुमति देता है। यह उन्हें बताता है: "हमारा मानना है कि बाढ़ इतनी बड़ी होगी, और हम 95% सुनिश्चित हैं कि यह इस सीमा के भीतर होगी।"

4. यह क्यों मायने रखता है?

टीम ने केवल ट्रॉफी नहीं जीती (उन्होंने दूसरा स्थान प्राप्त किया!); उन्होंने यह साबित किया कि महान भविष्यवाणियां करने के लिए आपको विशाल, अत्यधिक महंगे सुपरकंप्यूटर की आवश्यकता नहीं है।

इस "दो-चरणीय" दृष्टिकोण का उपयोग करके—यानी बड़े की भविष्यवाणी करने के लिए छोटे को मापना—उन्होंने एक ऐसा तरीका बनाया जिससे शहर, किसान और आपदा योजनाकार जलवायु परिवर्तन के "भूतों" के आने से पहले ही उनके लिए तैयार हो सकें।

संक्षेप में: उन्होंने "सामान्य" भारी बारिश के अनुमानित पैटर्न का उपयोग करके अत्यधिक आपदाओं की दुनिया में एक गणितीय पुल बनाने के लिए किया, जिससे उन्हें हमारे बदलते जलवायु के भविष्य को देखने की अनुमति मिली।

तकनीकी सारांश: नियमित भिन्नता (Regular Variation) के अंतर्गत बहुचर वर्षा चरम सीमाओं का प्रतिगमन मॉडलिंग (Regression Modeling)

1. समस्या विवरण

यह शोध पत्र बड़े पैमाने के एनसेंबल जलवायु डेटा का उपयोग करके चरम वर्षा की घटनाओं की आवृत्ति और तीव्रता के अनुमान लगाने की चुनौती को संबोधित करता है। विशेष रूप से, यह CESM2 Large Ensemble Community Project (LENS2) द्वारा उपयोग किए गए EVA2025 डेटा चैलेंज पर केंद्रित है।

मुख्य कठिनाई चरम सीमाओं की सांख्यिकीय प्रकृति में निहित है: वे 'हैवी-टेल्ड' (heavy-tailed) होती हैं, स्थानिक और सामयिक रूप से निर्भर होती हैं, और विरल (sparse) होती हैं। पारंपरिक गॉसियन-आधारित प्रतिगमन मॉडल ऐसे डेटा के 'टेल व्यवहार' (tail behavior) को पकड़ने में विफल रहते हैं। इसका उद्देश्य तीन विशिष्ट "लक्ष्य मात्राओं" (extreme events की अपेक्षित संख्या) का बहुत उच्च थ्रेशोल्ड (सीमा) पर अनुमान लगाना था, जो देखे गए डेटा की सीमा से भी अधिक है, साथ ही 95% विश्वास अंतराल (confidence intervals) प्रदान करना था।

2. कार्यप्रणाली

लेखक बहुचर नियमित भिन्नता (multivariate regular variation) के गणितीय ढांचे पर आधारित एक दो-चरणीय प्रतिगमन रणनीति (two-stage regression strategy) प्रस्तावित करते हैं।

चरण 1: उप-अनंतस्पर्शी स्तरों (Sub-asymptotic levels) पर अनुभवजन्य अनुमान:
सीधे उच्चतम चरम सीमाओं पर जटिल बहुचर चरम मान वितरणों (जैसे max-stable processes) को फिट करने का प्रयास करने के बजाय, लेखक पहले "मध्यम" या उप-अनंतस्पर्शी थ्रेशोल्ड ( $u_l$ ) पर लक्षित घटनाओं की अनुभवजन्य गणना (empirical counts) करते हैं। यह स्थिर अनुभवजन्य अनुमान के लिए पर्याप्त नमूना आकार सुनिश्चित करता है।
चरण 2: नियमित भिन्नता-आधारित प्रतिगमन:
लेखक इस सैद्धांतिक गुण का लाभ उठाते हैं कि एक बहुचर नियमित रूप से परिवर्तनशील वेक्टर के लिए, संयुक्त अति-प्रायिकता (joint exceedance probability) एक पावर लॉ का पालन करती है: $P(Y > u) \approx C u^{-\alpha}$ ।
वे इसे एक रैखिक प्रतिगमन ढांचे में परिवर्तित करते हैं:
$\log(\text{Expected Counts}) = C' - \alpha \log(u)$
लॉग-परिवर्तित थ्रेशोल्ड के विरुद्ध अनुभवजन्य गणनाओं (चरण 1 से) का प्रतिगमन करके, वे स्केलिंग स्थिरांक ( $C$ ) और आकार पैरामीटर ( $\alpha$ ) का अनुमान लगाते हैं। इन मापदंडों का उपयोग फिर प्रतियोगिता के लिए आवश्यक बहुत उच्च थ्रेशोल्ड पर अपेक्षित गणनाओं का अनुमान लगाने और विस्तार (extrapolate) करने के लिए किया जाता है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification):
विश्वास अंतराल प्रदान करने के लिए, लेखक एक नॉन-पैरामीट्रिक ब्लॉक बूटस्ट्रैप (nonparametric block bootstrap) प्रक्रिया का उपयोग करते हैं। वे एक वर्ष के भीतर संभावित सामयिक निर्भरता को बनाए रखते हुए "वर्षों" को ब्लॉक्स के रूप में मानते हैं, जबकि विभिन्न जलवायु मॉडल रन के बीच देखी गई स्वतंत्रता का सम्मान करते हैं।

3. मुख्य योगदान

सिद्धांत और व्यवहार को जोड़ना: यह शोध पत्र एक ऐसी विधि प्रदान करता है जो नियमित भिन्नता (अनंतस्पर्शी स्केलिंग नियम) की सैद्धांतिक सटीकता को प्रतिगमन मॉडलिंग की स्केलेबिलिटी और व्याख्यात्मकता के साथ जोड़ती है।
गणना दक्षता (Computational Efficiency): उच्च-आयामी डेटासेट के लिए गणनात्मक रूप से गहन मल्टीवेरिएट एक्सट्रीम वैल्यू मॉडल या मैक्स-स्टेबल प्रक्रियाओं के विपरीत, यह दो-चरणीय दृष्टिकोण "गणनात्मक रूप से सीधा" और अत्यधिक स्केलेबल है।
जलवायु एनसेंबल डेटा के प्रति सुदृढ़ता: यह ढांचा LENS2 डेटासेट की विशिष्ट विशेषताओं को सफलतापूर्वक संभालता है, जैसे कि वर्षा की तीव्रता में दीर्घकालिक रुझानों का अभाव और विभिन्न मॉडल रन के बीच स्वतंत्रता।

4. परिणाम

इस कार्य को EVA2025 प्रतियोगिता के माध्यम से मान्य किया गया था, जहाँ टीम ("DesiBoys") ने अंतिम रैंकिंग में संयुक्त रूप से दूसरा स्थान प्राप्त किया।

बिंदु अनुमान (Point Estimation): मॉडल ने चरम घटनाओं की आवृत्ति की भविष्यवाणी करने में असाधारण प्रदर्शन किया, विशेष रूप से कार्य 3 (Task 3) (लगातार-दिवसीय चरम सीमाओं की भविष्यवाणी) में प्रथम स्थान प्राप्त किया।
प्रतिगमन फिट (Regression Fit): लेखकों ने लॉग-काउंट्स बनाम लॉग-थ्रेशोल्ड के प्रतिगमन में उच्च गुडनेस-ऑफ-फिट ( $R^2$ मान 0.98 तक) प्रदर्शित किया, जो नियमित भिन्नता धारणा की वैधता की पुष्टि करता है।
अंतराल अनुमान (Interval Estimation): जबकि बिंदु अनुमान अत्यधिक सटीक थे, विश्वास अंतराल (ब्लॉक बूटस्ट्रैप के माध्यम से) कम प्रतिस्पर्धी थे (रैंकिंग 5वीं-7वीं)। लेखक अत्यधिक विषम (skewed) चरम वितरणों की अनिश्चितता को पकड़ने के लिए गैर-पैरामीट्रिक विधियों का उपयोग करने की अंतर्निहित कठिनाई को इसका कारण बताते हैं।

5. महत्व

यह कार्य जलवायु जोखिम मूल्यांकन और हाइड्रोमेटियोरोलॉजी के लिए महत्वपूर्ण है। यह प्रदर्शित करता है कि जटिल, उच्च-आयामी बहुचर चरम डेटा को पारंपरिक चरम मान मॉडलों की अत्यधिक गणनात्मक लागत के बिना प्रभावी ढंग से मॉडल किया जा सकता है। सैद्धांतिक कठोरता और व्यावहारिक व्यवहार्यता के बीच संतुलन बनाने वाला एक पुनरुत्पादक (reproducible) ढांचा प्रदान करके, यह शोध पत्र शोधकर्ताओं को विभिन्न जलवायु परिस्थितियों के तहत दुर्लभ, उच्च-प्रभाव वाली मौसम घटनाओं (जैसे बाढ़ या भूस्खलन) की संभावना और गंभीरता का विस्तार से अनुमान लगाने के लिए एक उपकरण प्रदान करता है।