📊 statistics

Analysing Extreme Rainfall via a Geometric Framework

EVA 2025 डेटा चैलेंज से प्रेरित होकर, यह शोध पत्र बड़े जलवायु मॉडल समूहों (climate model ensembles) का लाभ उठाने और स्थलाकृतिक एवं मौसमी प्रभावों को ध्यान में रखते हुए, पूर्वी संयुक्त राज्य अमेरिका में अत्यधिक वर्षा के स्थानिक विस्तार और समयावधि की भविष्यवाणी करने के लिए चरम-मूल्य विश्लेषण (extreme-value analysis) हेतु एक गैर-स्थिर ज्यामितीय ढांचे (non-stationary geometric framework) का प्रस्ताव करता है।

मूल लेखक: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

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

कल्पना कीजिए कि आप एक शहर नियोजक (city planner) हैं जिसे एक बाढ़ सुरक्षा दीवार (floodwall) बनानी है। आपको यह जानने की ज़रूरत है: सबसे खराब स्थिति में बाढ़ कितनी बड़ी हो सकती है? यह कितनी चौड़ाई तक फैलेगी? और यह कितने समय तक चलेगी?

समस्या यह है कि हमने पहले कभी इतनी बड़ी बाढ़ नहीं देखी है। यदि आप केवल इतिहास की किताबों को देखते रहेंगे, तो आप "एक लाख साल में एक बार" आने वाले तूफान का पूर्वानुमान कभी नहीं लगा पाएंगे। आपको उस चीज़ का अनुमान लगाना होगा जो हमारे ज्ञात डेटा की सीमा से परे है।

यह शोध पत्र एक टीम के सांख्यिकीविदों (statistans) के बारे में है जिन्होंने पूर्वी संयुक्त राज्य अमेरिका में अत्यधिक वर्षा के लिए एक नया, अधिक स्मार्ट "क्रिस्टल बॉल" (भविष्य बताने वाला यंत्र) बनाया है। उन्होंने इसे कैसे किया, यहाँ बिना भारी गणितीय शब्दावली के समझाया गया है।

1. समस्या: "अनदेखा" तूफान

टीम को एक सुपर-कंप्यूटर जलवायु मॉडल से डेटा दिया गया था। इस मॉडल को एक विशाल वीडियो गेम की तरह समझें जो मौसम का अनुकरण (simulate) करता है। इसने 50 अलग-अलग "क्या-होगा-अगर" वाले परिदृश्य (जिन्हें एन्सेम्बल रन कहा जाता है) चलाए।

हालाँकि, ये सिमुलेशन वास्तविक इतिहास से पूरी तरह मेल नहीं खाते। वे मौसम के कच्चे रेखाचित्रों (sketches) की तरह हैं। चुनौती इन रेखाचित्रों का उपयोग करके तीन विशिष्ट चीजों के लिए सबसे खराब स्थिति वाले परि场景 (worst-case scenario) की भविष्यवाणी करने की थी:

"सुपर-बाढ़" (The Super-Flood): कितनी बार बारिश इतनी भारी होगी कि 25 अलग-अलग शहरों में एक साथ बाढ़ आ जाएगी?
"व्यापक जलप्रलय" (The Widespread Deluge): कितनी बार बारिश इतनी भारी होगी कि कम से कम 6 शहरों में एक साथ बाढ़ आ जाए?
"लंबा दौर" (The Long Haul): कितनी बार कम से कम 3 शहरों में लगातार दो दिनों तक बाढ़ आएगी?

2. पुराना तरीका बनाम नया तरीका

पुराना तरीका (द रिजिड रूलर - एक कठोर पैमाना):
पारंपरिक सांख्यिकी अक्सर मानती है कि दुनिया "साफ-सुथरी और व्यवस्थित" है। वे मानते हैं कि यदि न्यूयॉर्क में भारी बारिश होती है, तो बोस्टन में भी उतनी ही भारी बारिश होने की संभावना है, और मौसम के पैटर्न गर्मी या सर्दी के साथ बदलते नहीं हैं।

खामी: प्रकृति अव्यवस्थित है। वर्षा पहाड़ों, मौसमों और हवा पर निर्भर करती है। एक "साफ-सुथरा" मॉडल तब टूट जाता है जब मौसम अजीब हो जाता है।

नया तरीका (द ज्योमेट्रिक फ्रेमवर्क - एक ज्यामितीय ढांचा):
टीम ने ज्यामितीय चरम (Geometric Extremes) नामक एक विधि का उपयोग किया। वर्षा के डेटा को संख्याओं की एक सूची के रूप में नहीं, बल्कि 3D स्पेस में तैरते हुए बिंदुओं के एक बादल के रूप में देखें।

बादल का आकार: अधिकांश बारिश बादल के मध्य भाग में होती है (सामान्य दिन)। "चरम" बारिश बादल के बिल्कुल किनारे पर होती है।
जादुई ट्रिक: मौसम का अनुमान लगाने के बजाय, उन्होंने बादल के किनारे के आकार का अध्ययन किया। यदि आप एक गुब्बारे के किनारे के आकार को जानते हैं, तो आप भविष्यवाणी कर सकते हैं कि यदि आप उसमें और अधिक हवा भरते हैं तो गुब्बारा कितना बड़ा हो जाएगा, भले ही आपने पहले उसे इतना बड़ा न फुलाया हो।

3. तीन बड़ी बाधाएं (और उन्होंने उन्हें कैसे पार किया)

अपने "आकार भविष्यवक्ता" को काम करने के योग्य बनाने के लिए, उन्हें तीन प्रमुख समस्याओं को ठीक करना था:

A. "मौसमी बदलाव" (समय)

जुलाई की बारिश जनवरी की बारिश से अलग दिखती है। साल भर में "औसत" वर्षा बदलती रहती है।

समाधान: उन्होंने एक फोटो एडिटर की तरह काम किया। विश्लेषण करने से पहले, उन्होंने डेटा को "नॉर्मलाइज़" (सामान्य) किया। उन्होंने मौसमी रुझानों को हटा दिया (जैसे सर्दियों के कोट और गर्मियों की शर्ट को हटाना) ताकि तूफान का अंतर्निहित "आकार" तारीख की परवाह किए बिना सुसंगत बना रहे।

B. "ऊबड़-खाबड़ मानचित्र" (स्थान)

पूर्वी अमेरिका समतल नहीं है। पहाड़ और घाटियाँ इस बात को बदल देते हैं कि बारिश कैसे व्यवहार करती है। एक तूफान पहाड़ से टकरा सकता है और एक तरफ पानी बरसा सकता है लेकिन दूसरी तरफ नहीं।

समाधान: उन्होंने स्थानिक विरूपण (Spatial Deformation) का उपयोग किया। कल्पना करें कि अमेरिका का नक्शा लचीले रबर से बना है। उन्होंने रबर के नक्शे को भौतिक रूप से तब तक खींचा और विकृत किया जब तक कि "उभार" (पहाड़) चिकने न हो गए। इस नए, विकृत नक्शे पर, मौसम के पैटर्न "स्थिर" (सुसंगत) दिखने लगे, जिससे चरम किनारे की गणना करना बहुत आसान हो गया।

C. "टाइम ट्रैवल" (अवधि)

चुनौती में दो दिनों तक चलने वाले तूफानों के बारे में पूछा गया था। मानक मॉडल अक्सर एक समय में एक दिन को देखते हैं, यह भूल जाते हैं कि तूफान रातों-रात गायब नहीं होता।

समाधान: उन्होंने ब्लॉक सैंपलिंग (Block Sampling) तकनीक का उपयोग किया। यादृच्छिक (random) दिन चुनने के बजाय, उन्होंने एक बार में 4 दिनों के "ब्लॉक" लिए। इससे तूफान की "याददाश्त" बरकरार रही, जिससे यह सिम्युलेट करना संभव हुआ कि भारी वर्षा की घटना वास्तव में कितने समय तक चल सकती है।

4. परिणाम: असंभव की भविष्यवाणी करना

एक बार जब उनके पास "विकृत, सामान्य, 4-दिवसीय ब्लॉक" वाला डेटा तैयार हो गया, तो उन्होंने अपने ज्यामितीय मॉडल को लागू किया।

उन्होंने डेटा क्लाउड के "किनारे" को देखा।
उन्होंने उस किनारे को बाहर की ओर बढ़ाया यह देखने के लिए कि क्या होगा यदि बारिश 10 गुना या 100 गुना भारी हो जाए।
उन्होंने लाखों सिमुलेशन चलाए यह गिनने के लिए कि ये "सुपर-बाढ़" कितनी बार होंगी।

परिणाम:
उनके मॉडल ने इन चरम घटनाओं की आवृत्ति (frequency) की सफलतापूर्वक भविष्यवाणी की। दिलचस्प बात यह है कि उन्होंने पाया कि उनका पहला प्रयास (जिसमें सभी "उभारों" और "मौसमों" का ध्यान नहीं रखा गया था) बहुत निराशावादी था (इसे लगा कि बाढ़ बहुत बार आएगी)। उनके ज्यामितीय सुधार लागू करने के बाद, भविष्यवाणियां बहुत अधिक यथार्थवादी हो गईं और व्यापक डेटा के साथ संरेखित हो गईं।

बड़ी तस्वीर का उदाहरण (Analogy)

कल्पना कीजिए कि आप भविष्यवाणी करने की कोशिश कर रहे हैं कि यदि आप एक पेड़ को असीमित पानी देते हैं तो वह कितना ऊँचा बढ़ेगा।

पुरानी विधि: आप हर दिन पेड़ को मापते हैं और एक सीधी रेखा खींचते हैं। यदि पेड़ किसी चट्टान (पहाड़) से टकराता है या सूरज हिल जाता है (मौसम), तो आपकी रेखा गलत हो जाती है।
इस शोध पत्र की विधि: आप पेड़ की शाखाओं के आकार का अध्ययन करते हैं। आप समझते हैं कि भले ही पेड़ हवा के कारण एक अजीब दिशा में बढ़े, लेकिन शाखाओं के फैलने का पैटर्न एक विशिष्ट ज्यामितीय नियम का पालन करता है। उस नियम को समझकर, आप सटीक भविष्यवाणी कर सकते हैं कि पेड़ कितना ऊँचा बढ़ेगा, भले ही वह ऐसी दिशा में बढ़े जिसे आपने पहले कभी नहीं देखा हो।

संक्षेप में: उन्होंने एक अव्यवस्थित, अप्रत्याशित मौसम की समस्या को एक साफ ज्यामितीय आकार की समस्या में बदल दिया, जिससे उन्हें अत्यधिक वर्षा के भविष्य का उच्च विश्वास के साथ सुरक्षित रूप से "एक्सट्रपलेशन" (अनुमान) करने की अनुमति मिली।

यहाँ कैंपबेल एट अल. द्वारा EVA 2025 कॉन्फ्रेंस डेटा चैलेंज के लिए प्रस्तुत शोध पत्र "Analysing Extreme Rainfall via a Geometric Framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह अध्ययन अत्यधिक वर्षा की घटनाओं (extreme rainfall events) की भविष्यवाणी करने की चुनौती को संबोधित करता है, जो विशेष रूप से इन घटनाओं के स्थानिक विस्तार (spatial extent) और कालिक अवधि (temporal duration) पर केंद्रित है। डेटा का स्रोत CESM2 लार्ज एनसेम्बल कम्युनिटी प्रोजेक्ट (LENS2) है, जो एशविले, NC के पास केंद्रित एक $5 \times 5$ स्थानिक ग्रिड को कवर करने वाला एक जलवायु मॉडल सिमुलेशन है।

मुख्य चुनौती तीन विशिष्ट मात्राओं (CTQs) से जुड़ी है जिन्हें प्रेक्षित ऐतिहासिक स्तरों से परे एक्सट्रपलेशन (extrapolation) करने की आवश्यकता है:

CTQ1: अपेक्षित संख्या कि कितनी बार सभी 25 ग्रिड स्थान एक उच्च सीमा (1.7 लीडबेटर) को एक साथ पार करते हैं।
CTQ2: अपेक्षित संख्या कि कितनी बार कम से कम 6 स्थान (5.7 लीडबेटर) एक उच्च सीमा को पार करते हैं।
CTQ3: अपेक्षित संख्या कि कितनी बार कम से कम 3 स्थान (5 लीडबेटर) के लिए न्यूनतम दो लगातार दिनों की अवधि तक एक सीमा को पार किया जाता है।

डेटा जटिल गैर-स्थिरता (non-stationarity) (स्थानिक और कालिक दोनों) और चरम निर्भरता (extremal dependence) संरचनाओं को प्रदर्शित करता है जो डोमेन के विभिन्न हिस्सों में भिन्न होती हैं, जिससे शास्त्रीय स्थिर मॉडल अपर्याप्त हो जाते हैं।

2. कार्यप्रणाली (Methodology)

लेखक चर (extreme-value) विश्लेषण के लिए एक ज्यामितीय ढांचे (geometric framework) का उपयोग करते हैं, जो जटिल संयुक्त टेल व्यवहार (joint tail behaviors) को पकड़ने में लचीलापन प्रदान करता है और मल्टीवेरिएट टेल में किसी भी दिशा में एक्सट्रपलेशन करने में सक्षम बनाता है। यह कार्यप्रणाली चार मुख्य चरणों में आगे बढ़ती है:

A. गैर-स्थिरता को संभालना (Handling Non-Stationarity)

कालिक गैर-स्थिरता (Temporal Non-Stationarity): लेखक ईस्टो और टॉन (2009) के दृष्टिकोण को अपनाते हैं। वे वर्षा $Y_t$ $Y_{t}$ के मार्जिनल वितरण को एक लोकेशन-स्केल मॉडल का उपयोग करके मॉडल करते हैं: $Y_t = \mu(x_t) + \sigma(x_t)Z_t$ $Y_{t} = μ (x_{t}) + σ (x_{t}) Z_{t}$ ।
- $\mu(x_t)$ और $\sigma(x_t)$ को दैनिक चक्रों, दीर्घकालिक रुझानों और लैग्ड वर्षा (lagged precipitation) को ध्यान में रखने के लिए रैखिक/चक्रीय रुझानों और ऑटोरेग्रेसिव (AR) पदों के साथ जनरलाइज्ड एडिटिव मॉडल्स (GAMs) का उपयोग करके मॉडल किया जाता है।
- इसके बाद एक गैर-स्थिर जनरलाइज्ड पैरेटो डिस्ट्रीब्यूशन (GPD) का उपयोग करके एक उच्च सीमा के ऊपर के स्टैंडर्डाइज्ड रेसिडुअल्स $Z_t$ को मॉडल किया जाता है।
स्थानिक गैर-स्थिरता (Spatial Non-Stationarity): एनिसोट्रॉपी (anisotropy) और स्थानिक गैर-स्थिरता (जहाँ निर्भरता संरचनाएं स्थान के अनुसार बदलती हैं) को संबोधित करने के लिए, लेखक एक स्पेशियल डीफॉर्मेशन (spatial deformation) दृष्टिकोण (रिचर्ड्स और वाडस्वर्थ, 2021) का उपयोग करते हैं।
- एक थिन-प्लेट स्प्लाइन मूल भौगोलिक निर्देशांकों (G-plane) को एक लेटेंट "D-plane" में मैप करता है जहाँ स्थिरता (stationarity) मानी जाती है।
- डीफॉर्मेशन मापदंडों का अनुमान सैद्धांतिक और अनुभवजन्य पेयरवाइज एक्सट्रीमल डिपेंडेंस गुणांकों के बीच विसंगति को कम करके लगाया जाता है।

B. मार्जिनल ट्रांसफॉर्मेशन (Marginal Transformation)

प्रीप्रोसेसिंग के बाद, डेटा को स्टैंडर्ड एक्सपोनेंशियल मार्जिन्स में परिवर्तित किया जाता है। यह एक सेमी-पैरामेट्रिक ट्रांसफॉर्मेशन के माध्यम से प्राप्त किया जाता है: सीमा के नीचे के एम्पिरिकल डिस्ट्रीब्यूशन फंक्शन्स और सीमा के ऊपर फिट किए गए गैर-स्थिर GPD का उपयोग करके, जिसके बाद एक इनवर्स प्रोबेबिलिटी इंटीग्रल ट्रांसफॉर्म किया जाता है।

C. ज्यामितीय ढांचा (The Geometric Framework)

मॉडल का मुख्य आधार स्केल्ड सैंपल क्लाउड्स का एक लिमिट सेट $G$ की ओर अभिसरण (convergence) है।

रेडियल-एंगुलर डिकंपोजिशन: डेटा वेक्टर $Z$ को एक रेडियल घटक $R = \sum Z(s_i)$ और एक एंगुलर घटक $W = Z/R$ में परिवर्तित किया जाता है।
गेज फंक्शन (Gauge Function): लिमिट सेट को एक गेज फंक्शन $g_Z(w)$ द्वारा वर्णित किया जाता है। लेखक एक जनरलाइज्ड गॉसियन गेज फंक्शन का उपयोग करते हैं:
$g_Z(w; \gamma) = \left[ (w^{1/\gamma})^\top \Sigma^{-1} w^{1/\gamma} \right]^{\gamma/2}$
जहाँ $\Sigma$ रेंज $\phi$ और शेप $\kappa$ द्वारा नियंत्रित पावरड एक्सपोनेंशियल घटकों के साथ एक कोरिलेशन मैट्रिक्स है।
ट्रंकेटेड गामा मॉडल (Truncated Gamma Model): एंगुलर घटक $W=w$ और उच्च सीमा $r_\tau(w)$ के ऊपर होने की स्थिति में, रेडियल घटक $R$ को एक ट्रंकेटेड गामा (TG) वितरण का उपयोग करके मॉडल किया जाता है। यह टेल डिके (tail decay) के लचीले मॉडलिंग की अनुमति देता है।

D. एक्सट्रपलेशन और सैंपलिंग (Extrapolation and Sampling)

प्रेक्षित डेटा से बहुत दूर की घटनाओं की संभावना का अनुमान लगाने के लिए:

लेखक चरम बिंदुओं का अनुकरण (simulate) करने के लिए एंगुलर घटकों को एम्पिरिकल डिस्ट्रीब्यूशन से (उच्च सीमाओं के लिए पुन: भारित) और रेडियल घटकों को फिट किए गए ट्रंकेटेड गामा वितरण से लेकर ड्रा करते हैं।
कालिक अवधि (CTQ3): घटनाओं की अवधि का अनुमान लगाने के लिए, लेखक एक ब्लॉक सैंपलिंग प्रक्रिया का उपयोग करते हैं। वे स्पैटियो-टेम्पोरल टेल डिपेंडेंस विश्लेषण के आधार पर एंगुलर घटकों के टेम्पोरल ब्लॉक्स (ब्लॉक आकार = 4 दिन) का नमूना लेते हैं, जिससे यह सुनिश्चित होता है कि चरम घटनाओं की कालिक निरंतरता (temporal persistence) को कैप्चर किया गया है।

3. प्रमुख योगदान (Key Contributions)

ज्यामितीय एक्सट्रीम्स का अनुप्रयोग: यह कार्य हाल ही में विकसित ज्यामितीय ढांचे (वाडस्वर्थ और कैंपबेल, 2024; काकाम्पैकौ और वाडस्वर्थ, 2025) के उच्च-आयामी ( $d=25$ ) स्थानिक पर्यावरणीय डेटासेट पर अनुप्रयोग को प्रदर्शित करता है, जो एक ऐसा परिवेश है जहाँ इन विधियों का परीक्षण दुर्लभ है।
एकीकृत गैर-स्थिर मॉडलिंग: यह शोध पत्र सफलतापूर्वक एक एकीकृत ज्यामितीय एक्सट्रीम वैल्यू फ्रेमवर्क में टेम्पोरल गैर-स्थिरता (GAMs/GPD के माध्यम से) और स्थानिक गैर-स्थिरता (थिन-प्लेट स्प्लाइन डीफॉर्मेशन के माध्यम से) को एकीकृत करता है।
कालिक अवधि का अनुमान: चरम वर्षा की घटनाओं की अवधि को बनाए रखने के लिए एक नवीन सैंपलिंग प्रक्रिया प्रस्तावित की गई है, जिससे यह अनुमान लगाना संभव होता है कि चरम घटनाओं की अवधि क्या है (CTQ3), जो हाइड्रोलॉजिकल जोखिम मूल्यांकन के लिए महत्वपूर्ण है।
मेथोडोलॉजिकल रिफाइनमेंट: लेखक अपने प्रारंभिक प्रतियोगिता सबमिशन में विसंगतियों को दूर करने के लिए एक्सट्रपलेशन पैरामीटर $k$ के चयन को परिष्कृत करके, टेम्पोरल ब्लॉक आकार को समायोजित करके और गैर-स्थिरता को संभालने में सुधार करके अपने मॉडल को बेहतर बनाते हैं, जिससे अधिक मजबूत अनुमान प्राप्त होते हैं।

4. परिणाम (Results)

मॉडल फिट: डायग्नोस्टिक प्लॉट्स (PP और QQ प्लॉट्स) चार क्लाइमेट मॉडल रन के लिए ट्रंकेटेड गामा मॉडल के संतोषजनक फिट का संकेत देते हैं। मॉडल-आधारित टेल डिपेंडेंस गुणांक डीफॉर्मेड D-प्लेन में एम्पिरिकल अनुमानों के साथ अच्छी तरह से मेल खाते हैं।
लक्ष्य मात्राएँ (CTQs):
- CTQ1 और CTQ2: मॉडल व्यापक चरम वर्षा की आवृत्ति के लिए उचित अनुमान प्रदान करता है। रन 2, 3 और 4 के लिए, अनुमान 50 मॉडल रन से प्राप्त एम्पिरिकल मानों से निकटता से मेल खाते हैं। रन 1 ने मामूली ओवरएस्टिमेशन दिखाया, जिसका कारण उस विशिष्ट रियलाइजेशन में विशिष्ट टेल व्यवहार था।
- CTQ3: घटनाओं की अवधि के अनुमानों ने एम्पिरिकल मानों की तुलना में थोड़ा अधिक बायस (bias) दिखाया, जो सुझाव देता है कि जबकि ब्लॉक सैंपलिंग दृष्टिकोण सामान्य प्रवृत्ति को कैप्चर करता है, एक पूर्ण स्पैटियो-टेम्पोरल विस्तार गेज फंक्शन की सटीकता को और बेहतर बना सकता है।
सबमिशन के साथ तुलना: इस पेपर में परिष्कृत कार्यप्रणाली ने CTQ1 में पाए गए ओवरएस्टिमेशन को सुधारा जो प्रारंभिक प्रतियोगिता सबमिशन में था, जो कठोर गैर-स्थिरता प्रीप्रोसेसिंग और सावधानीपूर्वक एक्सट्रपलेशन पैरामीटर चयन के महत्व को प्रदर्शित करता है।

5. महत्व (Significance)

जोखिम न्यूनीकरण (Risk Mitigation): चरम वर्षा के स्थानिक विस्तार और कालिक अवधि की सटीक भविष्यवाणी करने की क्षमता रक्षा प्रणालियों को डिजाइन करने और आपदा जोखिमों (जैसे हरिकेन हेलन के समान बाढ़) को कम करने के लिए अत्यंत महत्वपूर्ण है।
मेथोडोलॉजिकल एडवांसमेंट: यह अध्ययन एक शक्तिशाली उपकरण के रूप में ज्यामितीय ढांचे को मान्य करता है, विशेष रूप से उन उच्च-आयामी स्थानिक एक्सट्रीम्स के लिए, जहाँ एसिम्प्टोटिक इंडिपेंडेंस (AI) शामिल है, जो पर्यावरणीय डेटा में आम है।
भावी दिशाएँ: शोध पत्र जटिल भौतिक तंत्रों को बेहतर ढंग से कैप्चर करने के लिए सेपरेबल या नॉन-सेपरेबल कोरिलेशन मैट्रिसेस और अधिक लचीले गेज फंक्शन मिक्सचर का उपयोग करके पूर्ण स्पैटियो-टेम्पोरल मॉडल का उपयोग करने की क्षमता को रेखांकित करता है।

निष्कर्षतः, यह शोध पत्र एक मजबूत, लचीला सांख्यिकीय ढांचा प्रस्तुत करता है जो जटिल जलवायु मॉडल डेटा और अंतरिक्ष एवं समय दोनों में चरम मौसम जोखिमों के एक्सट्रपलेशन की व्यावहारिक आवश्यकता के बीच के अंतर को सफलतापूर्वक पाटता है।