Copula-Based Bivariate Kumaraswamy-Teissier Distributions: Modeling Temperature-Rainfall Dependence and Compound Extremes

In het hooggelegen, ruige terrein van de Noordwestelijke Himalaya volgt het weer geen eenvoudig script. Hier is de lucht ijl, rijzen de bergen steil op en is het klimaat een complex tapijt geweven van temperatuur en neerslag. Decennialang hebben wetenschappers geprobeerd te begrijpen hoe deze twee krachten met elkaar interageren, maar traditionele methoden behandelden hen vaak als afzonderlijke verhalen of dwongen hen in rigide, voorspelbare vormen die de natuur zelden gehoorzaamt. In werkelijkheid kan een warme dag een plotselinge regenbui met zich meebrengen, of kan een koude periode gepaard gaan met droge winden, en deze relaties veranderen afhankelijk van het seizoen en de specifieke vallei. Om dit te begrijpen, hebben onderzoekers instrumenten nodig die kunnen buigen en rekken om bij de data te passen, in plaats van de data in een doos te dwingen. Dit is waar een tak van de wiskunde die bekend staat als copula's in beeld komt. Beschouw een copula als een flexibele verbinder die wetenschappers in staat stelt om te beschrijven hoe twee verschillende zaken samen bewegen, zonder dat zij ervan uit moeten gaan dat ze individueel op dezelfde manier gedrag vertonen. Het is een manier om de verborgen links tussen variabelen in kaart te brengen, vooral wanneer die links cruciaal worden tijdens extreme gebeurtenissen zoals hittegolven of overstromingen.

Een team van onderzoekers van het Indian Institute of Technology Mandi heeft deze flexibele aanpak nu toegepast op de specifieke uitdaging van het modelleren van temperatuur en neerslag in de Noordwestelijke Himalaya. Zij ontwikkelden twee nieuwe wiskundige kaders die ontworpen zijn om het volledige spectrum aan gedragingen in deze regio te vangen, van de door de moesson gedreven zomers tot de wintermaanden die worden beïnvloed door westelijke verstoringen. De onderzoekers combineerden een specifiek type statistische curve, die zij de Kumaraswamy–Teissier-verdeling noemen, met twee verschillende typen verbinders die bekend staan als de Clayton- en Gumbel-copula's. Deze verbinders zijn speciaal omdat ze niet alleen kunnen beschrijven hoe variabelen samen bewegen in het midden van hun bereik, maar ook hoe ze zich gedragen aan de uiterste randen—wanneer temperaturen verzengend heet zijn of de neerslag torrentieel is. Om het feit aan te pakken dat temperatuur en neerslag soms in tegenovergestelde richtingen kunnen bewegen, gebruikten het team ook geroteerde versies van deze verbinders, waarbij het wiskundige model effectief werd omgedraaid om negatieve relaties te vangen waar de ene variabele stijgt terwijl de andere daalt.

De studie richtte zich op een uitgestrekt gebied dat Jammu en Kasjmir, Himachal Pradesh en Uttarakhand beslaat, gebruikmakend van maandelijkse gegevens van 1984 tot 2024. Voordat ze hun modellen bouwden, bereidden de onderzoekers de gegevens zorgvuldig voor door rekening te houden met het feit dat sommige maanden geen regen of vriestemperaturen kennen, waardoor de cijfers klaar waren voor analyse. Vervolgens testten ze hun nieuwe modellen tegen verschillende bestaande methoden om te zien welke het beste de realiteit op de grond kon beschrijven. De resultaten toonden aan dat hun nieuwe aanpak superieur was. In de zomer, wanneer de moesson domineert, onthulde de data een complex beeld: in de lagere voetgebieden gingen hoge temperaturen vaak gepaard met lage neerslag, terwijl in de hogere bergen hitte en zware regenval vaak samen voorkwamen. In de winter verschoof het patroon, waarbij koude temperaturen in veel delen van de regio vaak gekoppeld waren aan toegenomen neerslag. De nieuwe modellen slaagden erin deze verschuivende dynamiek te vangen, inclusief de specifieke manieren waarop extreme waarden van temperatuur en neerslag de neiging hebben om samen te klonteren.

Om te bewijzen dat hun modellen werkten, draalden de onderzoekers duizenden computersimulaties, waarbij ze nepdata genereerden die de echte wereld nabootsten om te zien of hun wiskundige instrumenten de oorspronkelijke patronen konden terugvinden. De tests bevestigden dat hun methoden accuraat en stabiel waren, zelfs bij het werken met beperkte hoeveelheden data. Wanneer zij de best passende modellen toepasten op de werkelijke Himalaya-data, ontdekten zij dat de nieuwe aanpak beter presteerde dan oudere, meer rigide modellen. De analyse onthulde dat de relatie tussen hitte en regen niet uniform is; deze verandert van raster naar raster en van seizoen naar seizoen. Bijvoorbeeld, in de lagere Himalaya tijdens de zomer identificeerden de modellen een sterke neiging waarbij warme dagen droog waren, een patroon dat oudere modellen wellicht gemist zouden hebben. In contrast hiermee vertoonden andere gebieden een neiging waarbij extreme hitte en extreme regen tegelijkertijd plaatsvinden.

Buiten het simpelweg beschrijven van het verleden, gebruikten de onderzoekers deze modellen om naar de toekomstige risico's van extreme gebeurtenissen te kijken. Zij berekenden wat bekend staat als terugkeerperioden, die schatten hoe vaak een specifieke combinatie van extreme hitte en zware regen zal voorkomen. Zij keken naar scenario's waarin zowel temperatuur als neerslag hun gebruikelijke limieten overschrijden, ofwel individueel ofwel samen. De bevindingen suggereren dat in bepaalde delen van de regio, met name in Jammu en Kasjmi, het risico op deze samengestelde extremen hoger is dan voorheen gedacht. In de winter bijvoorbeeld, geven de modellen aan dat het binnen een decennium waarschijnlijk is dat ten minste één van deze variabelen in veel gebieden zijn drempelwaarde zal overschrijden. De studie verkende ook conditionele risico's, met vragen als: "Als het zwaar regent, hoe waarschijnlijk is het dan dat het extreem heet is?" De antwoorden boden een genuanceerder beeld van gevaar, waarbij zij lieten zien dat de aanwezigheid van de ene extreme waarde de waarschijnlijkheid van de andere kan vergroten of verkleinen, afhankelijk van de locatie en het seizoen.

Dit werk biedt een realistischere manier om de hydro-klimatologische risico's te begrijpen die de bergachtige regio's bedreigen. Door af te stappen van rigide aannames en te kiezen voor flexibele, datagestuurde modellen, hebben de onderzoekers een helderder beeld geschetst van hoe temperatuur en neerslag samen dansen in de Himalaya. Hun aanpak vertelt ons niet alleen dat extremen voorkomen; het legt uit hoe ze verbonden zijn, en biedt een robuust kader voor het beoordelen van het risico op overstromingen en hittestress in een veranderend klimaat. Voor de gemeenschappen die in deze hooggelegen valleien leven, is het begrijpen van deze ingewikkelde verbindingen een cruciale stap naar de voorbereiding op het weer van morgen.