Integrating Explainable Machine Learning, Extreme Value Analysis, and CMIP6 Projections for Extreme Precipitation Prediction in the Eastern Mediterranean Coastal Region of Türkiye

Resumo Técnico: Integração de Aprendizado de Máquina Explicável, Análise de Valores Extremos e Projeções CMIP6 para a Previsão de Precipitação Extrema na Região Costeira do Mediterrâneo Oriental de Türkiye

Definição do Problema
A região costeira do Mediterrâneo oriental de Türkiye (abrangendo Mersin, Adana, Osmaniye e Hatay) enfrenta riscos severos de eventos de precipitação extrema, que ameaçam centros urbanos densamente povoados e terras agrícolas. Apesar desta vulnerabilidade, pesquisas anteriores careceram de um arcabouço analítico unificado que integrasse drivers físicos, propriedades de recorrência estatística e trajetórias climáticas futuras para esta sub-região específica. Estudos existentes frequentemente dependem de análises de estações isoladas, falham em correlacionar estimativas de período de recorrência com modelos de previsão de aprendizado de máquina (ML) ou não consideram adequadamente a heterogeneidade dos regimes de precipitação causados pela topografia complexa (ex: Montanhas Taurus). Além disso, embora os modelos CMIP6 prevejam um aquecimento significativo e seca estival, o comportamento futuro específico da frequência versus a intensidade da precipitação permanece incerto ao nível local.

Metodologia
Este estudo apresenta um pipeline híbrido de aprendizado de máquina e estatística projetado para abordar estas lacunas através de oito estágios integrados:

1. Aquisição de Dados e Controle de Qualidade: O estudo utilizou 24 estações terrestres do Serviço Meteorológico do Estado Turco (TSMS) (2010–2024), aumentadas por dados de precipitação de satélite CHIRPS, reanálise ERA5-Land e índices de teleconexão da NOAA. Foi aplicado um rigoroso processo de controle de qualidade de dois estágios que excluiu estações com >5% de dados ausentes e aplicou testes de homogeneidade (SNHT, Pettitt, Buishand) para identificar mudanças de regime.
2. Fusão de Dados Multifonte: Um novo conjunto de dados diários foi criado fundindo observações terrestres, dados de satélite e produtos de reanálise. Isso envolveu inferência espacial, correções de máscara de mar para estações costeiras, correção de viés para variáveis de temperatura e preenchimento de lacunas.
3. Agrupamento Espacial: O agrupamento K-Means particionou as 24 estações em três zonas de regime de precipitação fisicamente interpretáveis: Costeira, Interior e Montanhosa, baseadas em elevação, totais de precipitação, razões sazonais e temperatura.
4. Engenharia de Atributos: Uma matriz de preditores de 40 atributos foi construída, incluindo variáveis meteorológicas, dados topográficos, codificações temporais, rótulos de cluster e 30 atributos de teleconexão (índices defasados de ONI, NAO, AO, AMO, EAWR).
5. Classificação por Aprendizado de Máquina: Um classificador binário XGBoost foi treinado para prever precipitação extrema (definida como chuva diária ≥95º percentil). O modelo abordou o desequilíbrio de classes (1:18) usando ponderação de frequência inversa. O desempenho foi avaliado usando validação cruzada temporal e um conjunto de teste independente (2023–2024).
6. Explicabilidade (XAI): A análise SHAP (SHapley Additive exPlanations) foi empregada para interpretar o modelo XGBoost, identificando os principais preditores e suas interações não lineares através de diferentes clusters espaciais.
7. Análise de Valores Extremos (EVA): Os períodos de retorno foram estimados usando 44 anos de dados CHIRPS (1981–2024) via dois métodos complementares: distribuição de Valores Extremos Generalizados (GEV) para máximos anuais e Distribuição Pareto Generalizada (GPD) para picos acima de limiar (POT).
8. Projeções Futuras: As projeções CMIP6 do modelo MPI-ESM1-2-LR sob os cenários SSP2-4.5 e SSP5-8.5 foram corrigidas quanto ao viés e analisadas para o horizonte 2041–2060 para avaliar mudanças na frequência de eventos extremos e na intensidade dos dias úmidos.

Principais Resultados

• Mudança de Regime: O teste de homogeneidade identificou uma mudança de regime de precipitação estatisticamente significativa começando em 2020. A anomalia média do domínio em relação à década anterior foi de −20,5%, com as reduções mais severas observadas nas estações do interior (ex: Osmaniye: −35,9%). Esta mudança coincidiu com uma mudança na distribuição da variável alvo entre o período de treinamento (2010–2022) e o período de teste (2023–2024).
• Desempenho do Modelo: O classificador XGBoost alcançou um AUC-ROC de 0,835 no conjunto de teste independente, demonstrando uma capacidade discriminatória robusta apesar das condições não estacionárias. O F1 score no conjunto de teste foi de 0,288, inferior ao score de validação cruzada (0,403), atribuído à redução na frequência de eventos extremos durante o período de seca pós-2020.
• Importância de Atributos: A análise SHAP revelou a umidade relativa próxima à superfície como o preditor predominantemente dominante (média |SHAP| = 0,557). Sua importância intensificou-se com a elevação (0,469 em clusters Costeiros vs. 0,642 em Montanhosos), refletindo o mecanismo de precipitação orográfica. Um limiar de ativação não linear foi identificado próximo a 65–70% de umidade relativa. A temperatura média foi o segundo atributo mais importante, mostrando uma contribuição negativa acima de 15–20°C.
• Teleconexões: Índices de grande escala AMO (correlação negativa, r = −0,335) e EAWR (correlação positiva, r = +0,299) foram identificados como drivers significativos da variabilidade interanual.
• Níveis de Retorno: O ajuste GEV resultou em um nível de retorno de 100 anos para o domínio médio de 102,4 mm dia⁻¹. O maior perigo concentrou-se no corredor leste do interior (ex: Düzici: 153,1 mm dia⁻¹), onde o ar úmido interage com os sopés de Taurus. Tufanbeyli, apesar da alta elevação, apresentou o menor nível de retorno (54,9 mm dia⁻¹) devido aos efeitos de sombra de chuva.
• Projeções Futuras: As projeções CMIP6 indicam uma diminuição consistente na frequência de eventos extremos até 2041–2060 sob ambos os cenários (−19,5% para SSP2-4.5 e −12,1% para SSP5-8.5). No entanto, a intensidade dos dias úmidos é projetada para diminuir sob o SSP2-4.5 (−2,2%) mas aumentar sob o SSP5-8.5 (+1,2%), sugerindo um futuro de "menos eventos, mas potencialmente mais intensos" sob cenários de altas emissões.

Significância e Contribuições
Os autores afirmam que este estudo fornece o primeiro pipeline integrado de ML–valor extremo–projeção climática especificamente para a região costeira do Mediterrâneo oriental de Türkiye. A significância do trabalho reside em:

1. Arcabouço Unificado: Combinar com sucesso fusão de dados multifonte, agrupamento espacial, ML explicável e análise de valores extremos para caracterizar perigos de precipitação extrema.
2. Interpretabilidade Física: Usar SHAP para recuperar empiricamente relações físicas (como a relação de Clausius–Clapeyron e mecanismos de levantamento orográfico) sem entradas explícitas de equações físicas, validando o alinhamento do modelo com a física atmosférica.
3. Detecção de Mudança de Regime: Identificar uma mudança hidroclimatológica genuína em 2020 que impacta a transferibilidade do modelo, destacando a necessidade de protocolos de retreinamento adaptativos em previsões operacionais.
4. Implicações de Infraestrutura: Demonstrar que os níveis de retorno de 100 anos estimados no corredor leste excedem substancialmente os atuais limiares de design de drenagem urbana (50–100 mm dia⁻¹), indicando vulnerabilidade estrutural.
5. Caracterização de Risco Futuro: Esclarecer a divergência entre as tendências de frequência e intensidade sob diferentes cenários de emissão, sugerindo que, embora os dias extremos possam se tornar menos frequentes, sua intensidade pode aumentar sob trajetórias de altas emissões.

O estudo conclui que, embora a região enfrente uma tendência de secamento em termos de frequência de eventos, o potencial para eventos de precipitação intensificados sob cenários de altas emissões exige uma revisão dos padrões de design de infraestrutura e o desenvolvimento de sistemas de alerta precoce adaptativos que considerem as condições hidroclimatológicas não estacionárias.