Fusing Sparse Observations and Dense Simulations for Spatial Extreme Value Analysis: Application to U.S. Coastal Sea Levels

Titolo

Fusione di Osservazioni Sparse e Simulazioni Dense per l'Analisi dei Valori Estremi Spaziali: Applicazione ai Livelli del Mare Costieri negli USA

1. Il Problema

La stima dei livelli di ritorno spaziali (es. livelli del mare attesi per eventi con un periodo di ritorno di 100 anni) basata esclusivamente su reti di osservazione sparse (come le stazioni mareografiche NOAA) produce mappe di incertezza elevate. Le reti di osservazione sono spesso insufficienti per stimare con precisione la variabilità spaziale dei parametri di coda delle distribuzioni estreme.
D'altro canto, i modelli di simulazione basati sulla fisica (come i modelli idrodinamici) possono generare dati ad alta densità spaziale, ma i loro output riflettono la fisica del modello e non osservazioni dirette, introducendo potenziali bias sistematici.
L'obiettivo è sviluppare un quadro metodologico per fondere queste due fonti di dati eterogenee (osservazioni sparse ma accurate, simulazioni dense ma potenzialmente distorte) per migliorare la precisione e la copertura delle stime dei livelli di ritorno, gestendo al contempo l'incertezza statistica.

2. Metodologia

Gli autori propongono un framework frequentista a due stadi che integra le osservazioni e le simulazioni attraverso un modello spaziale multivariato.

Stadio 1: Adattamento Marginale GEV

• Per ogni sito (sia mareografico che di simulazione), viene adattata una distribuzione GEV (Generalized Extreme Value) ai massimi annuali.
• Gestione della non stazionarietà: Per i siti NOAA, dove sono stati rilevati trend significativi (66% dei siti), il parametro di posizione ($\mu$) è modellato come non stazionario ($\mu(t) = \mu_0 + \mu_1(t - t_{ref})$), mentre i parametri di scala ($\sigma$) e forma ($\xi$) rimangono stazionari. Per i siti di simulazione ADCIRC, che non mostrano trend significativi, si usa un modello stazionario.
• L'output è un vettore di stime dei parametri $\hat{\theta}$ per ogni sito.

Stadio 2: Modello Spaziale Multivariato (LMC)

• I parametri GEV stimati da entrambe le fonti sono modellati congiuntamente come realizzazioni di un processo spaziale latente ad alta dimensionalità (6 dimensioni: 3 parametri per NOAA + 3 per ADCIRC).
• Viene utilizzato un Modello Lineare di Co-regionalizzazione (LMC). Questo assume che i 6 parametri siano combinazioni lineari di 6 processi gaussiani indipendenti, ciascuno con il proprio raggio di correlazione spaziale.
• Trasferimento di Informazione: La chiave del metodo è la stima delle correlazioni incrociate tra le fonti (es. correlazione tra il parametro di posizione di NOAA e quello di ADCIRC). Queste correlazioni sono stimate anche in assenza di siti co-localizzati (campionamento eterotopico), sfruttando la sovrapposizione spaziale delle due reti.
• Matrice di Selezione: Un formalismo matematico utilizza una matrice di selezione per estrarre le componenti osservate dal vettore latente completo, permettendo di gestire siti con una sola fonte di dati.
• Ottimizzazione: La massimizzazione della verosimiglianza è resa computazionalmente efficiente grazie al calcolo di gradienti analitici derivati dalla struttura LMC, riducendo i tempi di ottimizzazione da ~90 minuti a <3 minuti.

3. Contributi Chiave

1. Generalizzazione del LMC a fonti multiple: Estensione del lavoro di Russell et al. (2020) per gestire parametri GEV provenienti da reti di dati non co-localizzate e eterogenee.
2. Identificabilità senza siti co-localizzati: Dimostrazione che le correlazioni incrociate tra le fonti possono essere stimate e identificate grazie alla sovrapposizione spaziale delle reti e alla parametrizzazione LMC, anche se nessun sito ha sia dati NOAA che ADCIRC.
3. Efficienza Computazionale: Sviluppo di gradienti analitici per la funzione di verosimiglianza, rendendo praticabile l'ottimizzazione multi-start e l'inferenza bootstrap su dataset di grandi dimensioni.
4. Implementazione Software: Il metodo è reso disponibile nel pacchetto R evfuse.

4. Risultati

Lo studio è stato applicato ai livelli del mare costieri negli USA (1979–2021), fondendo 29 stazioni mareografiche NOAA con 100 siti di simulazione ADCIRC.

• Correlazioni Incrociate:
  • Correlazione quasi perfetta per il parametro di posizione: $r = 0.995$ (i due modelli catturano lo stesso pattern spaziale).
  • Correlazione forte per il parametro di forma (coda): $r = 0.837$.
  • Correlazione moderata per il parametro di scala: $r = 0.443$.
• Riduzione dell'Errore (Cross-Validation):
  • LOO-CV (Leave-One-Out): Riduzione del 35% dell'RMSE (Root Mean Square Error) per i livelli di ritorno a 100 anni rispetto a un modello basato solo su NOAA.
  • Validazione a Blocchi Geografici: La riduzione dell'errore persiste (18%) anche durante l'estrapolazione spaziale (es. quando si rimuovono intere regioni costiere), dimostrando la robustezza del modello.
• Impatto Geografico:
  • Lungo la costa atlantica (dove la densità di ADCIRC è alta), la fusione riduce drasticamente l'incertezza (bande di confidenza più strette).
  • Lungo la costa del Golfo (dove le stazioni NOAA sono sparse), la fusione corregge le stime puntuali, spostandole verso l'alto grazie alle stime di coda più pesanti dei modelli ADCIRC.
• Saturazione: L'analisi di sensibilità mostra che i benefici della fusione si saturano con circa 30 siti di simulazione (circa uno ogni raggio di correlazione minimo), suggerendo che la rete di 100 siti utilizzata è più che sufficiente.

5. Significato e Implicazioni

• Validazione del Fusion: Il paper dimostra che fondere dati osservativi sparsi con output di modelli fisici densi è una strategia efficace per migliorare l'analisi degli estremi spaziali, superando i limiti delle singole fonti.
• Gestione del Bias: Il framework gestisce automaticamente i bias sistematici tra le fonti (es. i livelli simulati sono sistematicamente più bassi) modellando le differenze attraverso i carichi specifici della fonte nel modello LMC, senza richiedere un termine di bias esplicito.
• Applicabilità Generale: Sebbene applicato ai livelli del mare, il metodo è generalizzabile ad altri domini ambientali dove coesistono osservazioni sparse e dati di modello densi (es. precipitazioni estreme, qualità dell'aria).
• Decisioni Basate sul Rischio: La capacità di produrre intervalli di previsione calibrati e ridotti è cruciale per la pianificazione costiera e la gestione del rischio di inondazioni, offrendo un vantaggio significativo rispetto ai modelli basati solo su osservazioni o solo su simulazioni.

In sintesi, questo lavoro fornisce un framework statistico rigoroso e computazionalmente efficiente per sfruttare la complementarità tra dati osservativi e simulazioni, migliorando significativamente la nostra capacità di mappare e prevedere eventi estremi in aree con dati limitati.