Multi-site modelling and reconstruction of past extreme skew surges along the French Atlantic coast

Questo studio propone un nuovo quadro di modellazione multi-sito che combina una distribuzione generalizzata di Pareto multivariata e un approccio di regressione estrema per ricostruire le serie temporali storiche delle mareggiate estreme di skew lungo la costa atlantica francese, sfruttando dati a lungo termine da stazioni chiave per prevedere eventi in località con registrazioni limitate.

L'essenziale

Immaginate la costa atlantica francese come una lunga vasca da bagno sinuosa. A volte, l'acqua non si alza solo con la normale marea; viene spinta violentemente verso l'alto dalle tempeste, creando una "surge asimmetrica". Queste surges sono come onde improvvise e pericolose che possono inondare la costa.

Il problema che gli scienziati hanno affrontato è che alcune parti di questa "vasca da bagno" osservano l'acqua da oltre 150 anni (come la città di Brest), mentre altri punti hanno iniziato a osservarla solo recentemente (come Port Tudy, che ha iniziato nel 1999). Se si vuole sapere quanto fosse pericolosa l'acqua a Port Tudy nel 1870, si ha un vuoto nei dati. Non si può semplicemente indovinare; è necessario ricostruire la storia.

Questo articolo riguarda la costruzione di una macchina del tempo statistica per colmare quegli anni mancanti. Ecco come l'hanno fatto, utilizzando semplici analogie:

1. L'idea centrale: Il "Vigile del quartiere"

I ricercatori hanno realizzato che le tempeste non colpiscono una sola città; colpiscono l'intera regione. Se una tempesta massiccia colpisce Brest (una città con una lunga storia di registrazioni), è quasi certo che abbia colpito anche Port Tudy (una città con una storia breve) nello stesso momento, anche se Port Tudy non aveva ancora uno strumento di misurazione per registrarla.

Hanno utilizzato i registri lunghi e affidabili di Brest e Saint-Nazaire come "insegnanti" per ipotizzare cosa fosse accaduto alle "studentesse" (Port Tudy, Concarneau e Le Crouesty) durante gli anni precedenti all'acquisizione dei propri strumenti di misurazione.

2. I due metodi: Il "Righello" contro la "Sfera di cristallo"

Per fare queste ipotesi, il team ha costruito due diversi tipi di motori matematici. Immaginateli come due modi diversi di prevedere il futuro basandosi sul passato.

Metodo A: La "Sfera di cristallo" (ROXANE - Apprendimento automatico)

• Come funziona: Questo metodo utilizza un algoritmo informatico (nello specifico, un tipo di apprendimento automatico) per osservare la forma dei dati della tempesta. Immaginate di guardare una tempesta da lontano. Non vi interessa esattamente quanto alta sia l'acqua in metri; vi interessa l'angolo o la direzione dell'energia della tempesta.
• Il trucco: Il computer impara la relazione tra l'"angolo" della tempesta a Brest e l'"angolo" della tempesta a Port Tudy. Una volta appreso questo schema, può osservare una tempesta a Brest del 1870, determinare l'angolo e indovinare istantaneamente l'angolo a Port Tudy.
• Ideale per: È eccellente nel prevedere gli eventi assolutamente peggiori (le surges più grandi e pericolose). Fornisce un singolo numero molto preciso per il livello dell'acqua probabile.

Metodo B: La "Sfera di cristallo con rete di sicurezza" (MGPRED - Modello parametrico)

• Come funziona: Questo metodo utilizza regole matematiche rigorose (statistiche) per costruire una mappa completa di come si comporta l'acqua. Invece di indovinare un solo numero, costruisce una "nuvola" di possibilità.
• Il trucco: Dice: "Basandosi sulla tempesta a Brest, l'acqua a Port Tudy potrebbe essere ovunque tra 2 e 4 metri". Non vi dà solo un'ipotesi; vi fornisce un intervallo di confidenza (una rete di sicurezza).
• Ideale per: È migliore nel comprendere l'intero quadro, incluse le surges più piccole, e vi dice quanto è fiducioso nella sua ipotesi. È come dire: "Penso che abbia piovuto 2 pollici, ma potrebbe essere stato ovunque tra 1,5 e 2,5 pollici".

3. Il problema della "Soglia": Quando un'onda è una "Surge"?

Una sfida maggiore era decidere cosa conta come evento "estremo". Un'onda di 1 metro è estrema? E una di 1,5 metri?

• L'innovazione: Gli autori hanno inventato un nuovo modo automatico per tracciare la linea. Hanno utilizzato una curva matematica speciale (chiamata distribuzione EGP) per trovare il punto esatto in cui i dati iniziano a comportarsi come una tempesta "selvaggia" piuttosto che come una giornata normale. È come un sensore intelligente che decide automaticamente: "Ok, tutto ciò che è al di sopra di questo specifico livello è una tempesta che dobbiamo studiare".

4. I risultati: Colmare i vuoti

Il team ha testato i propri metodi su dati che già possedevano (gli anni in cui Port Tudy aveva uno strumento di misurazione) per vedere se potevano correttamente "prevedere" il passato.

• Il verdetto: Entrambi i metodi hanno funzionato bene.
  • Il metodo di Apprendimento automatico (ROXANE) è stato leggermente migliore nel prevedere le surges più grandi in assoluto (quelle che causano i danni maggiori).
  • Il metodo Statistico (MGPRED) è stato migliore nel prevedere le surges più piccole e ha fornito loro un intervallo di incertezza, che è cruciale per la gestione del rischio.
• Il viaggio nel tempo: Hanno utilizzato con successo questi modelli per ricostruire la storia di Port Tudy fino al 1846. Hanno scoperto che la tempesta più grande che hanno previsto si è verificata la vigilia di Capodanno 1876/1877. Questo corrispondeva ai registri storici di una tempesta massiccia che causò inondazioni in Bretagna, dimostrando che la loro "macchina del tempo" era accurata.

Sintesi

In breve, questo articolo ci insegna come utilizzare la lunga storia di una città per "colmare i vuoti" dei suoi vicini. Utilizzando due diversi strumenti matematici – uno focalizzato sui picchi più acuti e l'altro sull'intera gamma di possibilità – hanno creato una storia affidabile dei livelli dell'acqua estremi. Questo aiuta i gestori costieri a comprendere quanto spesso possano verificarsi inondazioni pericolose, anche in luoghi dove non disponiamo di registri antichi.

Sommario tecnico

Sintesi Tecnica: Modellazione multi-sito e ricostruzione delle tempeste di marea estreme passate lungo la costa atlantica francese

Dichiarazione del Problema
Il lavoro affronta la necessità critica di modellare e ricostruire eventi storici di livelli marini estremi, in particolare le tempeste di marea (skew surges), lungo la costa atlantica francese. Le tempeste di marea, definite come la differenza tra i livelli marini massimi osservati e le maree previste astronomicamente, sono i principali responsabili delle inondazioni costiere. Una sfida significativa si presenta presso le stazioni di rilevamento delle maree con brevi serie di osservazioni (ad esempio, Port Tudy, Concarneau, Le Crouesty), che mancano della profondità storica necessaria per stimare accuratamente i periodi di ritorno a lungo termine. L'obiettivo è ricostruire le serie temporali mancanti di tempeste di marea estreme presso queste stazioni a breve registrazione, sfruttando la dipendenza statistica spaziale con stazioni vicine dotate di dati storici estesi (ad esempio, Brest e Saint-Nazaire, con registrazioni che coprono oltre 150 anni).

Metodologia
Lo studio impiega un quadro Peaks-Over-Threshold (POT) all'interno di un contesto di teoria dei valori estremi multivariata (EVT). A differenza degli approcci basati sui massimi di blocco, gli autori definiscono un evento estremo come verificantesi ogni volta che almeno una stazione di input registra un valore superiore a una soglia elevata, riconoscendo che una singola grande tempesta di marea presso una stazione vicina può causare inondazioni nel sito target indipendentemente dalle condizioni locali.

La metodologia è suddivisa in tre componenti principali:

1. Modellazione Marginale e Selezione della Soglia:

   • Gli autori modellano le distribuzioni marginali utilizzando la distribuzione Generalizzata Pareto Estesa (EGP), che consente di modellare l'intera parte positiva della distribuzione convergendo asintoticamente a una distribuzione Generalizzata Pareto (GP) nella coda.
   • Viene proposta una nuova metodologia automatizzata per la selezione della soglia $t$. Invece di affidarsi a grafici di stabilità visiva, la soglia è definita come il valore più basso al di sopra del quale la densità EGP adattata diventa strettamente convessa. Ciò sfrutta la proprietà secondo cui le densità GP sono strettamente convesse per parametri di forma $\xi > -1/2$.

2. Approcci di Previsione Multivariata:
   Vengono sviluppati e confrontati due approcci complementari per prevedere la variabile target $Y$ (tempesta di marea presso la stazione a breve registrazione) date le covariate $X$ (tempeste di marea presso le stazioni a lunga registrazione):

   • Apprendimento Automatico Non Parametrico (ROXANE): Questo approccio utilizza l'algoritmo ROXANE (Clémençon et al., 2025). Trasforma i dati in margini Pareto unitari e si concentra sulla previsione della componente "angolare" ($\Theta_Y$) del target basandosi sulla componente angolare delle covariate ($\Theta_X$), sfruttando l'indipendenza asintotica tra le componenti radiale e angolare nella coda. L'algoritmo utilizza modelli di regressione pronti all'uso (testati con Minimi Quadrati Ordinari e Random Forest) addestrati su queste variabili angolari.
   • Modellazione Parametrica (MGPRED): Questo approccio trasforma i dati in margini esponenziali unitari e adatta una distribuzione Generalizzata Pareto Multivariata (MGP) agli eccedimenti spostati. Impiega un approccio di verosimiglianza censita per adattare modelli parametrici (specificamente, componenti Gumbel indipendenti con un parametro di dipendenza) ai dati estremi. La previsione viene eseguita tramite campionamento Monte Carlo dalla distribuzione condizionata, consentendo la generazione di intervalli di previsione.

Contributi Chiave

• Selezione Automatizzata della Soglia: Il lavoro introduce un criterio automatizzato basato sulla convessità per la selezione delle soglie univariate nel quadro EGP, riducendo la dipendenza dall'ispezione visiva soggettiva.
• Quadro Comparativo: Fornisce un raro confronto diretto tra un approccio di apprendimento automatico agnostico rispetto al modello (ROXANE) e un approccio EVT multivariato completamente parametrico (MGPRED) per il compito specifico di ricostruire componenti estreme mancanti.
• Connessione Teorica: Gli autori chiariscono il legame teorico tra i due metodi, dimostrando che, nonostante le loro differenze metodologiche (regressione angolare vs. modellazione della densità condizionata), si basano su assunzioni statistiche essenzialmente equivalenti riguardo alla coda della distribuzione.
• Ricostruzione dei Dati Storici: I metodi sono stati applicati con successo per ricostruire la serie temporale delle tempeste di marea estreme a Port Tudy prima del 1966, utilizzando i dati di Brest e Saint-Nazaire.

Risultati

• Adattamento Marginale: La distribuzione EGP ha fornito un adattamento robusto per i dati marginali, e il metodo proposto di selezione della soglia ha identificato efficacemente la regione in cui vale l'approssimazione GP (verificata confrontando gli adattamenti EGP e GP al di sopra della soglia).
• Prestazioni Predittive:
  • MGPRED ha dimostrato prestazioni complessive superiori in termini di Errore Quadratico Medio (RMSE) ed Errore Assoluto Medio (MAE) su tutto l'insieme di test. Ha fornito una migliore modellazione dei valori estremi più piccoli e ha offerto il vantaggio di generare intervalli di previsione (la probabilità di copertura 0,95 è stata di 0,89).
  • ROXANE (specificamente con OLS) ha ottenuto prestazioni leggermente migliori nelle regioni più estreme (la coda superiore), producendo stime puntuali più accurate per le tempeste di marea più grandi.
  • Entrambi i metodi hanno avuto difficoltà con la coda inferiore della distribuzione estrema (valori estremi più piccoli), un limite attribuito alla sensibilità della retro-trasformazione agli errori nel parametro di forma $\kappa$ e all'uso di verosimiglianze censite che danno priorità agli eventi più estremi.
• Ricostruzione Storica: La serie temporale ricostruita per Port Tudy (pre-1966) ha catturato con successo i principali eventi storici, come la significativa tempesta di marea registrata nella notte tra il 31 dicembre 1876 e il 1 gennaio 1877, che corrispondeva a grandi tempeste a Brest e Saint-Nazaire.

Significato e Affermazioni
Il lavoro afferma che sia l'approccio non parametrico che quello parametrico producono risultati validi e praticamente significativi per la ricostruzione dei livelli marini estremi.

• Utilità Pratica: La procedura MGPRED è raccomandata per scenari che richiedono prestazioni complessive e quantificazione dell'incertezza (intervalli di previsione), mentre la procedura ROXANE è preferita quando l'obiettivo principale è la previsione puntuale più accurata degli eventi assoluti più grandi.
• Avanzamento Metodologico: Il lavoro promuove l'uso della teoria dei valori estremi multivariata nelle geoscienze, evidenziando specificamente l'utilità della distribuzione EGP per la modellazione marginale e dell'algoritmo ROXANE per la regressione estrema.
• Limitazioni e Lavori Futuri: Gli autori notano modestamente che i modelli sono meno precisi per gli anni più antichi, potenzialmente a causa di trend temporali non modellati (ad esempio, il riscaldamento globale) che possono differire tra le stazioni. Riconoscono inoltre che i modelli attuali non incorporano covariate meteorologiche (come il vento), che potrebbero migliorare la modellazione dei valori estremi più piccoli. La costruzione di intervalli di previsione statisticamente solidi per covariate estreme è identificata come un argomento per la ricerca futura.

Lo studio conclude che questi metodi sono ampiamente applicabili ad altri problemi spaziali di valori estremi e possono essere estesi per includere covariate aggiuntive o applicati all'imputazione di dati mancanti per altre variabili come il vento o la pressione.