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

Este estudo propõe um novo modelo multi-sítio que combina uma distribuição generalizada de Pareto multivariada e uma abordagem de regressão extrema para reconstruir séries temporais históricas de maré de tempestade assimétrica ao longo da costa atlântica francesa, aproveitando dados de longo prazo de estações-chave para prever eventos em locais com registros limitados.

O essencial

Imagine a costa atlântica francesa como uma banheira longa e sinuosa. Às vezes, a água não sobe apenas com a maré normal; é empurrada violentamente por tempestades, criando uma "maré de inclinação" (skew surge). Essas marés são como ondas súbitas e perigosas que podem inundar a costa.

O problema que os cientistas enfrentaram é que algumas partes dessa "banheira" observam a água há mais de 150 anos (como a cidade de Brest), enquanto outros locais começaram a observar apenas recentemente (como Port Tudy, que começou apenas em 1999). Se você quiser saber quão perigosa foi a água em Port Tudy em 1870, há uma lacuna em seus dados. Você não pode apenas adivinhar; precisa reconstruir a história.

Este artigo trata de construir uma máquina do tempo estatística para preencher esses anos faltantes. Aqui está como eles fizeram isso, usando analogias simples:

1. A Ideia Central: O "Vigilância de Bairro"

Os pesquisadores perceberam que as tempestades não atingem apenas uma cidade; elas atingem toda a região. Se uma tempestade massiva atinge Brest (uma cidade com um longo histórico de registros), é quase certo que ela atingiu Port Tudy (uma cidade com um histórico curto) ao mesmo tempo, mesmo que Port Tudy ainda não tivesse um medidor para registrar isso.

Eles usaram os registros longos e confiáveis de Brest e Saint-Nazaire como "professores" para adivinhar o que aconteceu nas "crianças" (Port Tudy, Concarneau e Le Crouesty) durante os anos antes de as crianças terem seus próprios instrumentos de medição.

2. Os Dois Métodos: A "Réguas" vs. A "Bola de Cristal"

Para fazer essas previsões, a equipe construiu dois tipos diferentes de motores matemáticos. Pense neles como duas maneiras diferentes de prever o futuro com base no passado.

Método A: A "Bola de Cristal" (ROXANE - Aprendizado de Máquina)

• Como funciona: Este método usa um algoritmo de computador (especificamente, um tipo de aprendizado de máquina) para analisar a forma dos dados da tempestade. Imagine que você está olhando para uma tempestade à distância. Você não se importa exatamente com o quão alta a água está em metros; você se importa com o ângulo ou direção da energia da tempestade.
• O Truque: O computador aprende a relação entre o "ângulo" da tempestade em Brest e o "ângulo" da tempestade em Port Tudy. Uma vez que ele aprende esse padrão, pode olhar para uma tempestade em Brest de 1870, descobrir o ângulo e adivinhar instantaneamente o ângulo em Port Tudy.
• Melhor para: É excelente em prever os eventos absolutamente piores (as maiores e mais perigosas marés de inclinação). Ele fornece um único número muito preciso para o que provavelmente era o nível da água.

Método B: A "Bola de Cristal com Rede de Segurança" (MGPRED - Modelo Paramétrico)

• Como funciona: Este método usa regras matemáticas estritas (estatísticas) para construir um mapa completo de como a água se comporta. Em vez de apenas adivinhar um número, ele constrói uma "nuvem" de possibilidades.
• O Truque: Ele diz: "Com base na tempestade em Brest, a água em Port Tudy pode estar em qualquer lugar entre 2 metros e 4 metros." Ele não lhe dá apenas uma suposição; ele fornece um intervalo de confiança (uma rede de segurança).
• Melhor para: É melhor em entender o quadro completo, incluindo marés de inclinação menores, e diz o quão confiante ele está em sua suposição. É como dizer: "Acho que choveu 2 polegadas, mas poderia ter sido em qualquer lugar entre 1,5 e 2,5 polegadas."

3. O Problema do "Limiar": Quando uma Onda é uma "Maré de Inclinação"?

Um grande desafio foi decidir o que conta como um evento "extremo". Uma onda de 1 metro é extrema? E uma de 1,5 metros?

• A Inovação: Os autores inventaram uma nova maneira automática de traçar a linha. Eles usaram uma curva matemática especial (chamada distribuição EGP) para encontrar o ponto exato onde os dados começam a se comportar como uma tempestade "selvagem" em vez de um dia normal. É como um sensor inteligente que decide automaticamente: "Ok, qualquer coisa acima desta altura específica é uma tempestade que precisamos estudar."

4. Os Resultados: Preenchendo as Lacunas

A equipe testou seus métodos em dados que já possuíam (os anos em que Port Tudy tinha um medidor) para ver se podiam "prever" corretamente o passado.

• O Veredito: Ambos os métodos funcionaram bem.
  • O método de Aprendizado de Máquina (ROXANE) foi ligeiramente melhor em prever as marés de inclinação mais grandes (aquelas que causam mais danos).
  • O método Estatístico (MGPRED) foi melhor em prever as marés de inclinação menores e forneceu uma faixa de incerteza, o que é crucial para a gestão de riscos.
• A Viagem no Tempo: Eles usaram com sucesso esses modelos para reconstruir a história de Port Tudy até 1846. Descobriram que a maior tempestade que previram ocorreu na véspera de Ano Novo de 1876/1877. Isso coincidiu com registros históricos de uma tempestade massiva que causou inundações na Bretanha, provando que sua "máquina do tempo" era precisa.

Resumo

Em resumo, este artigo nos ensina como usar a longa história de uma cidade para "preencher as lacunas" de seus vizinhos. Ao usar duas ferramentas matemáticas diferentes — uma focada nos picos mais agudos e a outra na gama completa de possibilidades — eles criaram uma história confiável de níveis extremos de água. Isso ajuda os gestores costeiros a entender com que frequência inundações perigosas podem acontecer, mesmo em lugares onde não temos registros antigos.

Resumo técnico

Resumo Técnico: Modelagem multi-site e reconstrução de surtos de inclinação extremos do passado ao longo da costa atlântica francesa

Declaração do Problema
O artigo aborda a necessidade crítica de modelar e reconstruir eventos históricos de níveis extremos do mar, especificamente surtos de inclinação, ao longo da costa atlântica francesa. Surtos de inclinação, definidos como a diferença entre os níveis máximos do mar observados e as marés previstas astronomicamente, são os principais impulsionadores de inundações costeiras. Um desafio significativo surge nas estações maregráficas com registros observacionais curtos (por exemplo, Port Tudy, Concarneau, Le Crouesty), que carecem da profundidade histórica necessária para estimar com precisão períodos de retorno de longo alcance. O objetivo é reconstruir séries temporais de surtos de inclinação extremos ausentes nessas estações de registro curto, aproveitando a dependência estatística espacial com estações próximas que possuem dados históricos extensos (por exemplo, Brest e Saint-Nazaire, com registros que abrangem mais de 150 anos).

Metodologia
O estudo emprega uma estrutura de Picos-Acima-do-Limiar (POT) dentro de um contexto de teoria de valores extremos multivariada (EVT). Diferentemente das abordagens de máximos de bloco, os autores definem que um evento extremo ocorre sempre que pelo menos uma estação de entrada registra um valor que excede um limiar elevado, reconhecendo que uma única grande maré de tempestade em uma estação vizinha pode causar inundação no local-alvo, independentemente das condições locais.

A metodologia divide-se em três componentes principais:

1. Modelagem Marginal e Seleção de Limiar:

   • Os autores modelam distribuições marginais usando a distribuição Generalizada Pareto Estendida (EGP), que permite modelar toda a parte positiva da distribuição enquanto converge assintoticamente para uma distribuição Generalizada Pareto (GP) na cauda.
   • Um método novo e automatizado é proposto para selecionar o limiar $t$. Em vez de depender de gráficos de estabilidade visuais, o limiar é definido como o valor mais baixo acima do qual a densidade EGP ajustada se torna estritamente convexa. Isso aproveita a propriedade de que as densidades GP são estritamente convexas para parâmetros de forma $\xi > -1/2$.

2. Abordagens de Predição Multivariada:
   Duas abordagens complementares são desenvolvidas e comparadas para prever a variável alvo $Y$ (surtos de inclinação na estação de registro curto) dadas as covariáveis $X$ (surtos de inclinação nas estações de registro longo):

   • Aprendizado de Máquina Não Paramétrico (ROXANE): Esta abordagem utiliza o algoritmo ROXANE (Clémençon et al., 2025). Transforma os dados para margens de Pareto unitárias e foca em prever o componente "angular" ($\Theta_Y$) do alvo com base no componente angular das covariáveis ($\Theta_X$), explorando a independência assintótica entre componentes radiais e angulares na cauda. O algoritmo utiliza modelos de regressão prontos (testados com Mínimos Quadrados Ordinários e Floresta Aleatória) treinados nessas variáveis angulares.
   • Modelagem Paramétrica (MGPRED): Esta abordagem transforma os dados para margens exponenciais unitárias e ajusta uma distribuição Generalizada Pareto Multivariada (MGP) às excedências deslocadas. Emprega uma abordagem de verossimilhança censurada para ajustar modelos paramétricos (especificamente, componentes Gumbel independentes com um parâmetro de dependência) aos dados extremos. A predição é realizada via amostragem de Monte Carlo a partir da distribuição condicional, permitindo a geração de intervalos de predição.

Contribuições Principais

• Seleção de Limiar Inovadora: O artigo introduz um critério automatizado baseado em convexidade para selecionar limiares univariados no contexto EGP, reduzindo a dependência de inspeção visual subjetiva.
• Quadro Comparativo: Fornece uma comparação direta rara entre uma abordagem de aprendizado de máquina agnóstica a modelos (ROXANE) e uma abordagem EVT multivariada totalmente paramétrica (MGPRED) para a tarefa específica de reconstruir componentes extremos ausentes.
• Conexão Teórica: Os autores elucidam o vínculo teórico entre os dois métodos, demonstrando que, apesar de suas diferenças metodológicas (regressão angular vs. modelagem de densidade condicional), eles dependem de pressupostos estatisticamente equivalentes em relação à cauda da distribuição.
• Reconstrução de Dados Históricos: Os métodos são aplicados com sucesso para reconstruir a série temporal de surtos de inclinação extremos em Port Tudy antes de 1966, utilizando dados de Brest e Saint-Nazaire.

Resultados

• Ajuste Marginal: A distribuição EGP forneceu um ajuste robusto para os dados marginais, e o método proposto de seleção de limiar identificou efetivamente a região onde a aproximação GP se mantém (verificado comparando os ajustes EGP e GP acima do limiar).
• Desempenho Preditivo:
  • MGPRED demonstrou desempenho geral superior em termos de Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE) em todo o conjunto de teste. Ofereceu melhor modelagem de valores extremos menores e apresentou a vantagem de gerar intervalos de predição (a probabilidade de cobertura de 0,95 foi de 0,89).
  • ROXANE (especificamente com MQO) performou ligeiramente melhor nas regiões mais extremas (a cauda superior), produzindo estimativas pontuais mais precisas para os maiores surtos de inclinação.
  • Ambos os métodos tiveram dificuldades com a cauda inferior da distribuição extrema (valores extremos menores), uma limitação atribuída à sensibilidade da retro-transformação a erros no parâmetro de forma $\kappa$ e ao uso de verossimilhanças censuradas que priorizam os eventos mais extremos.
• Reconstrução Histórica: A série temporal reconstruída para Port Tudy (pré-1966) capturou com sucesso eventos históricos importantes, como o significativo surto de inclinação registrado na noite de 31 de dezembro de 1876 a 1º de janeiro de 1877, que correspondeu a grandes tempestades em Brest e Saint-Nazaire.

Significado e Alegações
O artigo afirma que ambas as abordagens, não paramétrica e paramétrica, produzem resultados válidos e praticamente significativos para a reconstrução de níveis extremos do mar.

• Utilidade Prática: O procedimento MGPRED é recomendado para cenários que exigem desempenho geral e quantificação de incerteza (intervalos de predição), enquanto o procedimento ROXANE é preferido quando o objetivo principal é a predição pontual mais precisa dos eventos absolutos maiores.
• Avanço Metodológico: O trabalho promove o uso da teoria de valores extremos multivariada em geociências, destacando especificamente a utilidade da distribuição EGP para modelagem marginal e do algoritmo ROXANE para regressão extrema.
• Limitações e Trabalho Futuro: Os autores observam modestamente que os modelos são menos precisos para anos mais antigos, possivelmente devido a tendências temporais não modeladas (por exemplo, aquecimento global) que podem diferir entre estações. Eles também reconhecem que os modelos atuais não incorporam covariáveis meteorológicas (como vento), o que poderia melhorar a modelagem de eventos extremos menores. A construção de intervalos de predição estatisticamente sólidos para covariáveis extremas é identificada como um tópico para pesquisa futura.

O estudo conclui que esses métodos são amplamente aplicáveis a outros problemas espaciais extremos e podem ser estendidos para incluir covariáveis adicionais ou aplicados à imputação de dados ausentes para outras variáveis, como vento ou pressão.