📊 statistics

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

Deze studie stelt een nieuw meerlocatie-modelleerframework voor dat een multivariate gegeneraliseerde Pareto-verdeling en een extreme regressie-aanpak combineert om historische tijdreeksen van extreme scheve stormvloed langs de Atlantische kust van Frankrijk te reconstrueren door gebruik te maken van langetermijndata van sleutelstations om gebeurtenissen te voorspellen op locaties met beperkte registraties.

Oorspronkelijke auteurs: Nathan Huet, Philippe Naveau, Anne Sabourin

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nathan Huet, Philippe Naveau, Anne Sabourin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de Franse Atlantische kust voor als een lang, kronkelend bad. Soms stijgt het water niet alleen door de normale getijden; het wordt dan door stormen gewelddadig omhoog geduwd, waardoor een "scheve stormvloed" ontstaat. Deze stormvloeden zijn als plotselinge, gevaarlijke golven die de kust kunnen overstromen.

Het probleem waar wetenschappers mee te maken kregen, was dat sommige delen van dit "bad" al meer dan 150 jaar het water in de gaten houden (zoals de stad Brest), terwijl andere plekken pas recent zijn begonnen met waarnemen (zoals Port Tudy, dat pas in 1999 begon). Als je wilt weten hoe gevaarlijk het water in 1870 bij Port Tudy was, heb je een gat in je gegevens. Je kunt niet zomaar gokken; je moet de geschiedenis reconstrueren.

Dit artikel gaat over het bouwen van een statistische tijdmachine om die ontbrekende jaren in te vullen. Hieronder wordt uitgelegd hoe ze dit deden, met behulp van eenvoudige analogieën:

1. De Kernidee: De "Buurtwacht"

De onderzoekers realiseerden zich dat stormen niet slechts één stad treffen; ze treffen de hele regio. Als een enorme storm Brest treft (een stad met een lange geschiedenis van registraties), heeft die storm bijna zeker op hetzelfde moment ook Port Tudy getroffen (een stad met een korte geschiedenis), zelfs als Port Tudy nog geen meetapparaat had om dit vast te leggen.

Ze gebruikten de lange, betrouwbare gegevens van Brest en Saint-Nazaire als "leraren" om te raden wat er gebeurde bij de "leerlingen" (Port Tudy, Concarneau en Le Crouesty) tijdens de jaren voordat de leerlingen hun eigen meetinstrumenten hadden.

2. De Twee Methoden: De "Liniaal" versus de "Kristallen Bal"

Om deze schattingen te maken, bouwde het team twee verschillende soorten wiskundige motoren. Denk aan ze als twee verschillende manieren om de toekomst te voorspellen op basis van het verleden.

Methode A: De "Kristallen Bal" (ROXANE - Machine Learning)

Hoe het werkt: Deze methode gebruikt een computeralgoritme (specifiek, een type machine learning) om naar de vorm van de stormdata te kijken. Stel je voor dat je een storm van veraf bekijkt. Het maakt niet uit hoe hoog het water precies in meters is; het gaat om de hoek of richting van de energie van de storm.
De Truc: De computer leert het verband tussen de "hoek" van de storm bij Brest en de "hoek" van de storm bij Port Tudy. Zodra het dit patroon heeft geleerd, kan het naar een storm bij Brest uit 1870 kijken, de hoek bepalen en direct de hoek bij Port Tudy raden.
Beste voor: Het is uitstekend in het voorspellen van de absoluut ergste gebeurtenissen (de grootste, gevaarlijkste stormvloeden). Het geeft je een enkel, zeer scherp getal voor het waarschijnlijke waterpeil.

Methode B: De "Kristallen Bal met een Veiligheidsnet" (MGPRED - Parametrisch Model)

Hoe het werkt: Deze methode gebruikt strikte wiskundige regels (statistiek) om een complete kaart te maken van hoe het water zich gedraagt. In plaats van slechts één getal te raden, bouwt het een "wolk" van mogelijkheden.
De Truc: Het zegt: "Op basis van de storm bij Brest, zou het water bij Port Tudy ergens tussen de 2 meter en 4 meter kunnen liggen." Het geeft je niet zomaar een gok; het geeft je een betrouwbaarheidsinterval (een veiligheidsnet).
Beste voor: Het is beter in het begrijpen van het hele plaatje, inclusief kleinere stormvloeden, en het vertelt je hoe zeker het is van zijn schatting. Het is alsof je zegt: "Ik denk dat het 2 inch heeft geregend, maar het kan overal tussen de 1,5 en 2,5 inch hebben gelegen."

3. Het "Drempel"-Probleem: Wanneer is een Golf een "Stormvloed"?

Een grote uitdaging was het bepalen wat telt als een "extreme" gebeurtenis. Is een 1-meter golf extreem? Wat dacht je van 1,5 meter?

De Innovatie: De auteurs bedachten een nieuwe, automatische manier om de lijn te trekken. Ze gebruikten een speciale wiskundige kromme (een zogenaamde EGP-verdeling) om het exacte punt te vinden waar de data begint te gedragen als een "wilde" storm in plaats van een normale dag. Het is als een slimme sensor die automatisch beslist: "Oké, alles boven deze specifieke hoogte is een storm die we moeten bestuderen."

4. De Resultaten: De Gaten Invullen

Het team testte hun methoden op gegevens die ze al hadden (de jaren waarin Port Tudy wel een meetapparaat had) om te zien of ze het verleden correct konden "voorspellen".

Het Oordeel: Beide methoden werkten goed.
- De Machine Learning (ROXANE) methode was iets beter in het voorspellen van de allergrootste stormvloeden (diegene die de meeste schade veroorzaken).
- De Statistische (MGPRED) methode was beter in het voorspellen van kleinere stormvloeden en gaf hen een bereik van onzekerheid, wat cruciaal is voor risicomanagement.
De Tijdreizen: Ze slaagden er met succes in om met deze modellen de geschiedenis van Port Tudy te reconstrueren tot 1846. Ze ontdekten dat de grootste storm die ze voorspelden plaatsvond op Oudejaarsavond 1876/1877. Dit kwam overeen met historische verslagen van een enorme storm die overstromingen veroorzaakte in Bretagne, wat bewees dat hun "tijdmachine" accuraat was.

Samenvatting

Kortom, dit artikel leert ons hoe we de lange geschiedenis van één stad kunnen gebruiken om de "gaten" voor zijn buren in te vullen. Door twee verschillende wiskundige hulpmiddelen te gebruiken – één gericht op de scherpste pieken en de ander op het volledige scala aan mogelijkheden – creëerden ze een betrouwbare geschiedenis van extreme waterstanden. Dit helpt kustbeheerders te begrijpen hoe vaak gevaarlijke overstromingen kunnen voorkomen, zelfs op plaatsen waar we geen oude verslagen hebben.

Technische Samenvatting: Multi-site modellering en reconstructie van historische extreme skew surges langs de Franse Atlantische kust

Probleemstelling
Het artikel adresseert de kritieke noodzaak om historische extreme zeeniveaugebeurtenissen, specifiek skew surges, langs de Franse Atlantische kust te modelleren en te reconstrueren. Skew surges, gedefinieerd als het verschil tussen het waargenomen maximale zeeniveau en het astronomisch voorspelde getij, zijn de primaire drijvende krachten achter kustoverstromingen. Een aanzienlijke uitdaging doet zich voor bij getijmeetstations met korte observatiereeksen (bijvoorbeeld Port Tudy, Concarneau, Le Crouesty), die ontberen de historische diepgang die vereist is om nauwkeurig lange-termijn terugkeerperiodes te schatten. Het doel is om ontbrekende tijdreeksen van extreme skew surges op deze stations met korte reeksen te reconstrueren door gebruik te maken van ruimtelijke statistische afhankelijkheid met nabijgelegen stations die over uitgebreide historische data beschikken (bijvoorbeeld Brest en Saint-Nazaire, met reeksen die meer dan 150 jaar beslaan).

Methodologie
De studie hanteert een Peaks-Over-Threshold (POT) kader binnen een multivariate extreme-waarden-theorie (EVT) context. In tegenstelling tot blok-maxima benaderingen, definiëren de auteurs een extreme gebeurtenis als optredend wanneer minimaal één invoerstation een waarde registreert die een hoge drempel overschrijdt, met erkenning dat een enkele grote surge op een naburig station overstromingen kan veroorzaken op het doelwitstation, ongeacht de lokale omstandigheden.

De methodologie is onderverdeeld in drie hoofdcomponenten:

Marginaal Modelleren en Drempelselectie:
- De auteurs modelleren marginale verdelingen met behulp van de Extended Generalized Pareto (EGP) verdeling, die toelating geeft tot het modelleren van het volledige positieve deel van de verdeling terwijl het asymptotisch convergeert naar een Generalized Pareto (GP) verdeling in de staart.
- Een nieuwe, geautomatiseerde methode wordt voorgesteld voor het selecteren van de drempel $t$ . In plaats van te vertrouwen op visuele stabiliteitsgrafieken, wordt de drempel gedefinieerd als de laagste waarde waarboven de gefitte EGP-dichtheid strikt convex wordt. Dit maakt gebruik van het eigenschap dat GP-dichtheden strikt convex zijn voor vormparameters $\xi > -1/2$ .
Multivariate Voorspellingsbenaderingen:
Twee complementaire benaderingen worden ontwikkeld en vergeleken om de doelvariabele $Y$ (skew surge op het station met korte reeks) te voorspellen gegeven covariaten $X$ (skew surges op stations met lange reeksen):
- Niet-parametrisch Machine Learning (ROXANE): Deze benadering maakt gebruik van het ROXANE algoritme (Clémençon et al., 2025). Het transformeert data naar eenheid Pareto-marges en richt zich op het voorspellen van de "hoekige" component ( $\Theta_Y$ ) van het doelwit op basis van de hoekige component van de covariaten ( $\Theta_X$ ), waarbij gebruik wordt gemaakt van de asymptotische onafhankelijkheid tussen radiale en hoekige componenten in de staart. Het algoritme gebruikt kant-en-klare regressiemodellen (getest met Ordinary Least Squares en Random Forest) die getraind zijn op deze hoekige variabelen.
- Parametrisch Modelleren (MGPRED): Deze benadering transformeert data naar eenheid Exponentiële marges en past een Multivariate Generalized Pareto (MGP) verdeling toe op de verschoven overschrijdingen. Het hanteert een gecensureerde likelihood-benadering om parametrische modellen (specifiek, onafhankelijke Gumbel-componenten met een afhankelijkheidsparameter) te fiten op de extreme data. Voorspelling wordt uitgevoerd via Monte Carlo-steekproeven uit de conditionele verdeling, wat toelating geeft tot het genereren van voorspellingsintervallen.

Belangrijkste Bijdragen

Nieuwe Drempelselectie: Het artikel introduceert een geautomatiseerd, op convexiteit gebaseerd criterium voor het selecteren van univariate drempels in het EGP-kader, wat de afhankelijkheid van subjectieve visuele inspectie vermindert.
Vergelijkend Kader: Het biedt een zeldzame directe vergelijking tussen een model-onafhankelijke machine learning-benadering (ROXANE) en een volledig parametrische multivariate EVT-benadering (MGPRED) voor de specifieke taak van het reconstrueren van ontbrekende extreme componenten.
Theoretische Connectie: De auteurs verduidelijken de theoretische link tussen de twee methoden, en tonen aan dat ondanks hun methodologische verschillen (hoekige regressie versus conditionele dichtheidsmodellering), ze in essentie gebaseerd zijn op equivalente statistische aannamen met betrekking tot de verdelingsstaart.
Reconstructie van Historische Data: De methoden worden succesvol toegepast om de tijdreeks van extreme skew surges op Port Tudy vóór 1966 te reconstrueren, met gebruikmaking van data van Brest en Saint-Nazaire.

Resultaten

Marginale Fit: De EGP-verdeling bood een robuuste fit voor de marginale data, en de voorgestelde methode voor drempelselectie identificeerde effectief het gebied waar de GP-benadering geldt (geverifieerd door het vergelijken van EGP- en GP-fits boven de drempel).
Voorspellende Prestaties:
- MGPRED toonde een overleg superioriteit in prestaties op het gebied van Root Mean Squared Error (RMSE) en Mean Absolute Error (MAE) over de volledige testset. Het bood een betere modellering van kleinere extreme waarden en bood het voordeel van het genereren van voorspellingsintervallen (de 0,95 dekingskans was 0,89).
- ROXANE (specifiek met OLS) presteerde iets beter in de meest extreme gebieden (de bovenste staart), wat resulteerde in nauwkeurigere puntinschattingen voor de grootste skew surges.
- Beide methoden hadden moeite met de onderste staart van de extreme verdeling (kleinere extreme waarden), een beperking die wordt toegeschreven aan de gevoeligheid van de terugtransformatie voor fouten in de vormparameter $\kappa$ en het gebruik van gecensureerde likelihoods die prioriteit geven aan de meest extreme gebeurtenissen.
Historische Reconstructie: De gereconstrueerde tijdreeks voor Port Tudy (vóór 1966) slaagde erin belangrijke historische gebeurtenissen vast te leggen, zoals de significante skew surge die werd geregistreerd op de nacht van 31 december 1876 tot 1 januari 1877, die correspondeerde met zware stormen in Brest en Saint-Nazaire.

Betekenis en Claims
Het artikel claimt dat zowel de niet-parametrische als de parametrische benaderingen geldige en praktisch significante resultaten opleveren voor het reconstrueren van extreme zeeniveaus.

Praktische Nut: De MGPRED-procedure wordt aanbevolen voor scenario's die behoefte hebben aan algehele prestaties en kwantificering van onzekerheid (voorspellingsintervallen), terwijl de ROXANE-procedure de voorkeur geniet wanneer het primaire doel de meest nauwkeurige puntvoorspelling is van de absoluut grootste gebeurtenissen.
Methodologische Vooruitgang: Het werk bevordert het gebruik van multivariate extreme-waarden-theorie in de geowetenschappen, met name met de nadruk op de bruikbaarheid van de EGP-verdeling voor marginale modellering en het ROXANE-algoritme voor extreme regressie.
Beperkingen en Toekomstig Werk: De auteurs merken bescheiden op dat de modellen minder precies zijn voor oudere jaren, mogelijk vanwege niet-gemodelleerde temporele trends (bijvoorbeeld opwarming van de aarde) die per station kunnen verschillen. Zij erkennen ook dat de huidige modellen geen meteorologische covariaten (zoals wind) incorporeren, wat de modellering van kleinere extreme gebeurtenissen zou kunnen verbeteren. De constructie van statistisch onderbouwde voorspellingsintervallen voor extreme covariaten wordt geïdentificeerd als een onderwerp voor toekomstig onderzoek.

De studie concludeert dat deze methoden breed toepasbaar zijn op andere ruimtelijke extreme problemen en kunnen worden uitgebreid om aanvullende covariaten op te nemen of toegepast te worden op het imputeren van ontbrekende data voor andere variabelen zoals wind of druk.