📊 statistics

Analysing Extreme Rainfall via a Geometric Framework

In deze studie wordt een nieuw geometrisch raamwerk voor extreme-waardenanalyse toegepast om extreme neerslag in het oosten van de Verenigde Staten te modelleren, waarbij rekening wordt gehouden met complexe ruimtelijke en temporele afhankelijkheden, niet-stationariteit en de uitdagingen van de EVA 2025 Data Challenge.

Oorspronkelijke auteurs: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

Gepubliceerd 2026-03-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ryan Campbell, Kristina Grolmusova, Lydia Kakampakou, Jeongjin Lee

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

Het Voorspellen van Extreme Regen: Een Wiskundig Reisje

Stel je voor dat je een enorme, ingewikkelde machine hebt die het weer simuleert. Deze machine draait duizenden keren en produceert een berg aan data over regenval in het oosten van de Verenigde Staten. De vraag is: Hoe vaak en hoe lang zullen er in de toekomst zulke extreme stormen komen dat ze rampzalig zijn, zoals de overstromingen door orkaan Helene?

De onderzoekers van Team Lancaster Geometric hebben een slimme, nieuwe manier bedacht om dit probleem op te lossen. Ze noemen hun methode een "geometrisch raamwerk". Laten we kijken hoe dat werkt, zonder ingewikkelde formules.

1. Het Probleem: De "Onbekende" Stormen

De klimaatmodellen die ze gebruiken, zijn als een enorme bibliotheek met fictieve verhalen over het weer. Ze vertellen ons wat er zou kunnen gebeuren, maar ze kopiëren geen echte historische stormen exact.

De uitdaging: We willen weten wat er gebeurt als het nog erger regent dan we ooit hebben gezien. Dit noemen we "extrapolatie". Het is alsof je probeert te voorspellen hoe hoog een berg is, terwijl je alleen de voet hebt gemeten.
De complexiteit: Regen is niet overal hetzelfde. In de bergen valt het anders dan in de vlakte (ruimtelijke variatie), en in de winter valt het anders dan in de zomer (tijdsvariatie).

2. De Oplossing: Het "Reisbureau" voor Regen

De onderzoekers gebruiken een wiskundige methode die zich richt op de vorm van de extreme gebeurtenissen.

Stap 1: Het "Reinigingsproces" (Niet-stationariteit)
Stel je voor dat je een foto van een landschap maakt, maar de camera trilt en het licht verandert de hele tijd. Je kunt de foto niet goed analyseren.

De onderzoekers "redden" de data eerst. Ze corrigeren de trillingen (de seizoensinvloeden en lokale verschillen) zodat de data er "rustig" en voorspelbaar uitziet. Ze maken van de ruwe, chaotische regenmetingen een gestandaardiseerde, schone versie.
Vergelijking: Het is alsof je een ruwe diamant eerst slijpt en polijst voordat je hem in een juwelenkist legt.

Stap 2: De "Vorm van de Storm" (Geometrie)
Nu kijken ze naar de vorm van de extreme regen.

Stel je voor dat je regenval ziet als een wolk. Soms is die wolk klein en lokaal (een bui boven één dorp). Soms is het een gigantische, uitgestrekte wolk die over heel de regio hangt.
De onderzoekers gebruiken een meetkundige lens. Ze kijken niet naar de hoeveelheid regen in liters, maar naar de vorm van de wolk in een abstracte ruimte.
Ze gebruiken een speciaal rooster (een net) om de kaart van de VS te vervormen. Op de echte kaart (de "G-vlak") is de regen onregelmatig. Maar door het rooster te rekken en te buigen (de "D-vlak"), wordt de regen daar "rechtop" en gelijkmatig.
Vergelijking: Het is alsof je een platte wereldkaart neemt en die over een bol vouwt. Op de bol lijken de afstanden en vormen logischer, waardoor je patronen kunt zien die op de platte kaart verborgen zaten.

Stap 3: De "Gevarenzone" berekenen
Nu ze de vorm van de stormen begrijpen, kunnen ze voorspellen hoe vaak extreme situaties voorkomen.

Ze gebruiken een trechter. De bovenkant van de trechter is de normale regen. De smalle onderkant is de extreme storm.
Omdat ze de vorm van de trechter kennen, kunnen ze berekenen hoe groot de kans is dat de regen "boven de rand" van de trechter komt, zelfs als dat nog nooit is gebeurd.
Ze simuleren miljoenen "virtuele stormen" om te zien hoe vaak ze in die gevarenzone terechtkomen.

3. Wat hebben ze ontdekt?

De onderzoekers hebben drie specifieke vragen beantwoord voor de wedstrijd:

Hoe vaak regent het overal tegelijk extreem? (Alle 25 locaties tegelijk).
Hoe vaak regent het extreem op minstens 6 plekken?
Hoe vaak duurt een extreme regenbui op minstens 3 plekken twee dagen achter elkaar?

De Resultaten:

Hun methode werkt goed voor de meeste scenario's. Ze kunnen betrouwbaar voorspellen hoe vaak deze "duivelse" stormen zouden kunnen gebeuren.
Ze merkten op dat hun eerste poging (voor de wedstrijd) iets te optimistisch was (ze dachten dat stormen vaker zouden komen dan dat ze waren). Door de "reparaties" (zoals het corrigeren van de tijdseffecten en het vervormen van de kaart) is hun nieuwe model veel nauwkeuriger.

4. Waarom is dit belangrijk?

Dit onderzoek is als het bouwen van een supersterk dam.
Als je weet hoe hoog en hoe breed de watermassa's kunnen worden in de toekomst (zelfs als ze nog nooit zijn gezien), kun je de dijken zo bouwen dat ze veilig blijven.

Voor de toekomst: Deze methode helpt steden en overheden om zich voor te bereiden op klimaatverandering. Ze kunnen zien of hun huidige verdedigingssystemen (zoals afvoersystemen of dijken) bestand zijn tegen de "onmogelijke" stormen van morgen.

Kort samengevat:
De onderzoekers hebben een slimme wiskundige "bril" opgezet. Door de ruwe, chaotische regen-data eerst te "slijpen" en de kaart te "vervormen", konden ze de vorm van extreme stormen zien. Met die kennis kunnen ze nu voorspellen hoe vaak de ergste stormen in de toekomst zullen toeslaan, zodat we beter beschermd zijn.

Titel: Analyse van Extreme Neerslag via een Geometrisch Kader

Context: EVA (2025) Data Challenge, Team Lancaster Geometric.

1. Probleemstelling

Het paper adresseert de uitdaging om extreme neerslag in het oosten van de Verenigde Staten te voorspellen, specifiek gericht op de ruimtelijke uitgestrektheid en temporele duur van dergelijke gebeurtenissen. De analyse is gebaseerd op data van het CESM2 Large Ensemble Community Project (LENS2), een klimaatmodel dat 50 simulaties (runs) bevat over een $5 \times 5$ rooster rond Asheville, North Carolina.

De kernproblemen zijn:

Extrapolatie: De vraagstukken vereisen extrapolatie naar niveaus die extreem extreem zijn en buiten de waargenomen data vallen.
Niet-stationariteit: Extreme weersomstandigheden vertonen complexe patronen in zowel tijd (seizoensinvloeden) als ruimte (topografische effecten), wat traditionele stationaire modellen beperkt.
Afhankelijkheid: Het modelleren van de afhankelijke structuur tussen extreme waarden op verschillende locaties, waarbij zowel asymptotische onafhankelijkheid (AI) als asymptotische afhankelijkheid (AD) mogelijk is.

2. Methodologie

Het team hanteert een geavanceerde geometrische aanpak voor extreme waarden, gebaseerd op de theorie van Wadsworth en Campbell (2024) en Kakampakou en Wadsworth (2025). De methodologie bestaat uit vier hoofdstappen:

A. Modellering van Niet-Stationariteit

Om de complexe variabiliteit in de data te hanteren zonder afhankelijk te zijn van externe covariaten, wordt een tweestapsprocedure toegepast:

Temporele Non-stationariteit: Er wordt een locatie-schaalmodel gebruikt ( $Y_t = \mu(x_t) + \sigma(x_t)Z_t$ ). De parameters $\mu$ en $\sigma$ worden geschat met Generalized Additive Models (GAM) die rekening houden met dagelijkse cycli, langetermijntrends en autoregressieve termen (voorgaande regenval). De resulterende gestandaardiseerde reeks $Z_t$ wordt vervolgens gemodelleerd met een niet-stationaire Generalized Pareto Distribution (GPD) voor de staart.
Ruimtelijke Non-stationariteit: Om anisotropie en ruimtelijke variatie in extremen op te lossen, wordt een ruimtelijke vervorming (spatial deformation) toegepast. Een thin-plate spline transformeert de oorspronkelijke geografische coördinaten (G-vlak) naar een latente ruimte (D-vlak) waar stationariteit wordt verondersteld. De parameters van deze vervorming worden geschat door de discrepantie tussen theoretische en empirische staatafhankelijkheidscoëfficiënten te minimaliseren.

B. Het Geometrische Kader

Na transformatie naar standaard exponentiële marges wordt het proces gemodelleerd als een stationair ruimtelijk proces.

Radiaal-Angulaire Transformatie: De data worden getransformeerd naar een radiale component $R$ (som van waarden) en een hoekcomponent $W$ (richting in het positieve orthant).
Gauge Functie: De limietset van de geschaalde steekproefwolken wordt gekarakteriseerd door een gauge-functie $g_Z(w)$ . Het paper gebruikt een generaliseerde Gaussische gauge-functie die flexibel is in het vastleggen van extremale afhankelijkheidsstructuren.
Verdeeling: Boven een hoge drempel wordt de conditionele verdeling van $R$ gegeven $W$ gemodelleerd als een afgekapt gamma-verdeling (Truncated Gamma).

C. Extrapolatie en Sampling

Om zeldzame gebeurtenissen te simuleren:

Er wordt gebruikgemaakt van een samplingprocedure die de temporale informatie behoudt.
Voor het schatten van extremen buiten de waargenomen data wordt een extrapolatieformule gebruikt die de kans berekent op het bereiken van een extreem gebied $B$ door te extrapoleren naar een factor $k > 1$ in de radiale component.
Voor temporale duur (CTQ3) worden temporale blokken van hoekcomponenten gesampled (blokgrootte 4) om de temporale afhankelijkheid in de staart te behouden.

3. Belangrijkste Bijdragen

Toepassing van Geometrische Extremen: Het paper toont de praktische toepasbaarheid van het recente geometrische kader voor extreme waarden op een hoogdimensionale ruimtelijke dataset (25 locaties), een gebied waar klassieke modellen vaak tekortschieten.
Integratie van Non-stationariteit: Een robuuste aanpak die zowel temporele (via GAM/GPD) als ruimtelijke non-stationariteit (via vervorming) combineert zonder zware afhankelijkheid van externe covariaten.
Temporele Behoud: De ontwikkeling van een samplingprocedure die temporale blokken gebruikt, waardoor schattingen van de duur van extreme gebeurtenissen mogelijk zijn, wat essentieel is voor hydrologische risico's.
Iteratieve Verbetering: Het paper beschrijft expliciet hoe de methode is geoptimaliseerd ten opzichte van een eerdere inzending voor de data challenge (o.a. betere behandeling van non-stationariteit, optimalisatie van de extrapolatiefactor $k$ , en aanpassing van de blokgrootte).

4. Resultaten

De modellen werden getraind op vier verschillende klimaatmodel runs en geëvalueerd aan de hand van drie Competitie Doelstellingen (CTQs):

CTQ1: Verwacht aantal keren dat alle 25 locaties een drempel overschrijden.
CTQ2: Verwacht aantal keren dat minstens 6 locaties een hoge drempel overschrijden.
CTQ3: Verwacht aantal keren dat minstens 3 locaties een drempel overschrijden voor een duur van ten minste twee dagen.

Diagnostiek: PP- en QQ-plotten tonen een over het algemeen goede fit van het afgekapt gamma-model, hoewel er enige afwijkingen zijn in de uiterste staarten (verwacht gezien de vereenvoudigde modellering van temporale non-stationariteit).
Afhankelijkheid: De geschatte staatafhankelijkheidscoëfficiënten ( $\chi$ ) in het vervormde vlak komen goed overeen met de empirische waarden, wat aangeeft dat het model de ruimtelijke afhankelijkheid correct vastlegt.
Voorspellende Prestaties:
- De schattingen voor CTQ1, CTQ2 en CTQ3 presteren goed voor runs 2, 3 en 4 in vergelijking met empirische waarden uit 50 runs.
- Run 1 toonde een lichte overschatting, wat werd toegeschreven aan specifieke kenmerken van die simulatie.
- CTQ3 (duur) vertoonde iets meer bias, wat suggereert dat een volledige spatio-temporele uitbreiding van het model noodzakelijk is voor verdere verbetering.

5. Betekenis en Toekomstperspectief

Dit werk is significant omdat het een brug slaat tussen geavanceerde theoretische statistiek (geometrische extremen) en praktische toepassing in de hydrologie en klimaatwetenschap. Het biedt een kader om zeldzame, catastrofale neerslaggebeurtenissen te kwantificeren die buiten de historische data vallen, wat cruciaal is voor het ontwerpen van verdedigingssystemen tegen overstromingen (zoals geïllustreerd door Hurricane Helene).

Toekomstige richtingen omvatten:

De uitbreiding naar een volledig spatio-temporeel model met niet-separabele correlatiematrices.
Het modelleren van de verdeling van de hoekcomponenten in een spatio-temporele context.
Het integreren van een mix van gauge-functies om nog complexere afhankelijkheidsstructuren in de realiteit te vangen.

Samenvattend biedt dit paper een robuuste, flexibele en statistisch onderbouwde methode om de risico's van extreme neerslag in een veranderend klimaat te beoordelen.