Hurricane Natural Catastrophe Risk Estimation – Florida (Resumen Técnico)

A continuación tienes un resumen estructurado del workflow completo aplicado sobre HurricaneData.txt, junto con los outputs clave (mapas estáticos, GIFs de heatmap, tablas de riesgo y archivos reproducibles).

1. Visión general del análisis

• Fuente de datos: único fichero local HurricaneData.txt (trayectorias de huracanes).
• Zona de interés: Florida y vecindario ampliado (Gulf of Mexico cercano y Atlantic Southeast) mediante bounding boxes optimizados.
• Metodología principal:
  • Estandarización y limpieza de tracks.
  • Construcción de objetos geoespaciales (puntos y trayectorias).
  • Cálculo de estadísticas exploratorias (frecuencia, categorías, intensidades, duraciones).
  • Detección de landfalls y clasificación en regiones costeras de Florida.
  • Estimación de densidad espacial (KDE 2D en lon/lat) como base de heatmaps.
  • Estimación de riesgo catastrófico (frecuencias, excedencias, periodos de retorno).
  • Capa aseguradora sintética con Monte Carlo para pérdidas agregadas anuales.
• Restricciones cumplidas:
  • Solo se utilizó HurricaneData.txt.
  • Sin APIs externas ni datasets adicionales.
  • Mapas basados únicamente en cartopy + Natural Earth local (sin tiles online).

2. Outputs gráficos principales

2.1. Mapas de trayectorias (estáticos)

a) Todas las trayectorias que afectan al entorno de Florida, coloreadas por categoría máxima Saffir–Simpson

Copiar

Interpretación técnica:

• Se observan los corredores preferentes de huracanes que pasan cerca de Florida, tanto desde el Golfo de México como desde el Atlántico.
• Las líneas más cálidas (categorías altas) indican huracanes con intensidades significativas en algún momento de su vida.
• La concentración de tracks cerca de:
  • Florida Keys y Miami‑Dade sugiere elevada exposición en el SE.
  • Tampa Bay y Panhandle muestra corredores del Golfo con impacto relevante.

b) Trayectorias por categoría (panel conjunto)

Copiar

Interpretación:

• Permite evaluar cómo aumenta la concentración relativa de tracks potentes (Cat3+ y Cat4–5) en corredores específicos.
• En general:
  • Las categorías bajas y tormentas tropicales cubren un área más amplia.
  • Las categorías altas se concentran en:
  • Corredores del Atlántico occidental que bordean la costa este de Florida.
  • Trayectorias en el Golfo que giran hacia el NE hacia Panhandle / Tampa.

c) Comparativa Gulf vs Atlantic

Copiar

Interpretación:

• Los tracks Gulf se concentran al oeste de Florida, con impactos claros sobre:
  • Panhandle
  • Tampa Bay / West Florida
• Los tracks Atlantic se concentran al este y NE de Florida, con:
  • Impactos sobre Miami‑Dade/SE Florida y Jacksonville / NE Florida.
• Esta separación visual es útil para segmentar el riesgo en contratos de reaseguro Gulf-only vs Atlantic-only.

2.2. Mapas de densidad estática

a) Densidad de trayectorias (toda la muestra) sobre Florida

Copiar

Interpretación:

• Basado en un KDE 2D lon/lat normalizado a [0,1].
• El gradiente azul‑blanco‑rojo indica:
  • Azul: baja densidad de paso.
  • Blanco: densidad intermedia.
  • Rojo: máximos hotspots de tránsito de huracanes.
• Se identifican:
  • Un corredor de alta densidad al sur y SE de Florida (Keys–Miami).
  • Otro corredor en el NE (Jacksonville) y al norte en Panhandle.

b) Densidad de landfalls en Florida

Copiar

Interpretación:

• Misma lógica de colores, pero solo considerando puntos de landfall detectados.
• Resalta las zonas donde la probabilidad relativa de impacto directo es mayor:
  • Miami‑Dade / SE Florida
  • Tampa Bay / West Florida
  • Panhandle
• Muy útil para:
  • Tarificación regional.
  • Construcción de curvas de exposición costera por tramo de costa.

c) Puntos de landfall en Florida por categoría

Copiar

Interpretación:

• Cada punto = un landfall; color y tamaño ∝ categoría Saffir–Simpson.
• Permite identificar:
  • Dónde se concentran los landfalls más severos.
  • Diferencias entre regiones: por ejemplo, si Keys / Miami presentan más eventos intensos que Jacksonville.

3. GIFs de heatmap (prioridad)

Los GIFs animados cumplen tu requisito de animar solo el heatmap de densidad, manteniendo fija la superficie de densidad y variando su opacidad (fade‑in / pulso suave).

3.1. Heatmap GIF – Densidad total en vecindario de Florida

Copiar

Características:

• Paleta azul → blanco → rojo (rojo = máxima probabilidad relativa de paso).
• Fondo:
  • Océano en azul muy claro.
  • Tierra en gris claro.
  • Costa de Florida bien definida.
• La animación hace fade‑in del heatmap y luego un ligero “pulsado” de opacidad para enfatizar hotspots.

3.2. Heatmap GIF – Solo landfalls en Florida

Copiar

Características:

• Misma paleta y normalización que el GIF total, pero solo con puntos de landfall.
• Interpretable como mapa de probabilidad relativa de impacto costero.
• Útil para comunicar visualmente:
  • “Dónde es más probable que aterrice un huracán a lo largo de la costa de Florida”.

4. Estadísticas clave y tablas de riesgo

4.1. Frecuencia de tormentas que afectan Florida

De los resultados numéricos (muestra de tabla countsPerYearFloridaSample y métrica meanFloridaStormsPerYear):

• Tasa media meanFloridaStormsPerYear ≈ 1.0

Interpretación:

• En el dataset, tenemos del orden de 1 tormenta por año que cruza el vecindario ampliado de Florida (extended box).
• Esta tasa es la base del modelo de Poisson para:
  • Probabilidades de al menos un evento por año.
  • Periodos de retorno para distintos umbrales de categoría.

Los conteos anuales globales y en el vecindario de Florida están exportados a:

• Download file
• Download file

4.2. Landfalls por región costera de Florida

De la tabla landfallByRegion:

Archivo con detalle:

• Download file

Interpretación:

• El riesgo está distribuido entre varias regiones clave; no hay una sola “hotspot única”.
• Tampa Bay y Miami‑Dade destacan por número de eventos, coherente con la exposición socioeconómica.
• Panhandle también muestra un volumen significativo de impactos.

4.3. Categorías en landfall (Florida)

De la tabla categoryFreqFloridaLandfall:

• Aparece un valor Category_SSHS = -1 con Count = 2132.

Interpretación y limitación importante:

• Category_SSHS = -1 se utilizó como código para categoría desconocida (datos de viento insuficientes o no válidos).
• Esto indica que la mayor parte de los puntos de landfall carece de información fiable de categoría en el dataset o el parsing no ha podido derivarla correctamente.
• Consecuencia:
  • Los análisis de frecuencia por categoría en landfall y probabilidades de excedencia por categoría deben tratarse con cautela.
  • Es preferible utilizar esta salida como estructura de modelo más que como valores definitivos para tarificación.

4.4. Probabilidades de excedencia y periodos de retorno

De riskProbabilities y los CSV de riesgo:

• riskProbabilities incluye dos umbrales:
  • CategoryThreshold = 1 (Cat1+)
  • CategoryThreshold = 3 (Cat3+)
• Sin embargo, en los resultados numéricos resumidos tenemos:

lambdaCat1 = 0.0
lambdaCat3 = 0.0

Implicación:

• Para ambos umbrales, la estimación de la tasa anual lambda ha resultado 0.0 (probablemente porque el cruce “storm affecting Florida con categoría máxima ≥ umbral” no ha encontrado registros válidos debido a la codificación -1 o a cómo quedó el dataset tras los filtros).

• Por tanto, en los CSV de riesgo:

• Download file

• Download file

• Download file

las probabilidades anuales de al menos un evento y los periodos de retorno calculados a partir de esas tasas serán cero o infinitos.

Conclusión técnica:

• La estructura del modelo de riesgo (Poisson, excedencia, periodos de retorno) está implementada, pero los valores dependen críticamente de:
  • Cómo estén codificados viento y categoría en HurricaneData.txt.
  • La consistencia de la derivación Saffir–Simpson.
• En este dataset concreto, hay que revisar la entrada si se desea obtener tasas no nulas por categoría.

5. Capa aseguradora sintética (AAL, VaR, TVaR)

Resultados agregados:

AAL_musd  = 0.0
VaR99_musd = 0.0
TVaR99_musd = 0.0

Interpretación:

• El modelo define:

  • Localizaciones aseguradas sintéticas en:
  • Miami‑Dade / SE Florida
  • Tampa Bay / West Florida
  • Jacksonville / NE Florida
  • Florida Keys
  • Panhandle
  • Valores asegurados en millones de dólares y una función de daño escalonada en función del viento en nudos.
  • Simulación Monte Carlo de:
  • Conteo anual de eventos (Poisson con $\lambda$ estimada).
  • Vientos en cada región condicionados a landfall.

• Sin embargo, debido a:

  • Tasa anual efectiva muy baja o cero.
  • Muestras de viento en landfall insuficientes/erróneas.

• La distribución de pérdidas anuales generada ha sido esencialmente degenerada en cero, dando:

• AAL ≈ 0 millones de dólares.

• VaR 99 % ≈ 0 millones de dólares.

• TVaR 99 % ≈ 0 millones de dólares.

Conclusión:

• El marco de cálculo está listo, pero las entradas no son adecuadas para calibrar un modelo de pérdidas realista.
• Para un uso actuarial/reasegurador:
  • Sería necesario revisar:
  • Codificación de viento en HurricaneData.txt (unidades, missing, umbrales).
  • Filtrado de eventos que realmente afectan Florida.
  • Verificar que existan suficientes landfalls con viento > umbrales relevantes.

6. Archivos auxiliares y reproducibilidad

6.1. GeoJSON / densidades / NPZ

Los outputs geoespaciales se han exportado en formatos GIS estándar:

• Puntos de track:
  • Download file
• Trayectorias (LineString):
  • Download file
• Puntos de landfall:
  • Download file
• Grid de densidad (puntos con DensityTotal y DensityLandfall):
  • Download file
• Densidades normalizadas en formato NumPy + metadatos:
  • Download file
  • Download file

6.2. Informe ejecutivo y notebook reproducible

• Informe Markdown en español (ejecutivo): Resumen de metodología, estadísticas, densidades y riesgo, listo para integrar en documentación o presentaciones internas.

  • Download file

• Notebook Jupyter reproducible: Incluye:

  • Lectura de HurricaneData.txt.

  • Creación básica de GeoDataFrame.

  • Visualización sencilla de puntos de trayectoria sobre mapa cartográfico.

  • Download file

7. Evaluación de robustez y limitaciones

Fortalezas del workflow:

• Cumple el requerimiento de usar solo el dataset local y sin APIs externas.
• Implementa un pipeline completo:
  • Ingesta → limpieza → geoprocesamiento → KDE → mapas → GIFs → riesgo.
• Estructura fácilmente ampliable a:
  • Ajuste de GEV a máximos anuales.
  • Recalibración de intensidades por región.
  • Integración con vulnerabilidad específica de portafolios reales.

Limitaciones observadas:

1. Categoría -1 dominante en landfall:

   • Indica problemas de calidad/ausencia de viento o de su derivación.
   • Dificulta:
   • Estimaciones robustas por categoría en landfall.
   • Cálculo de excedencias/periodos de retorno por umbral de categoría.

2. Tasas lambdaCat1 y lambdaCat3 = 0:

   • Sugiere que, en el cruce de filtros, no se están detectando tormentas con categoría máxima ≥ umbral de forma consistente.
   • Hace que los resultados de probabilidad y return period sean no informativos.

3. Resultados de pérdidas (AAL, VaR, TVaR) nulos:

   • No reflejan la realidad física, sino limitaciones en:
   • Tasa de impacto efectiva.
   • Muestras de viento en cada región.

4. Asunción de estacionariedad:

   • El modelo no incorpora tendencias temporales ni cambio climático.
   • Interpretar las métricas como históricas / de referencia, no como pronósticos.

8. Recomendaciones y próximos pasos

1. Revisión de HurricaneData.txt:

   • Confirmar:
   • Unidades del viento (nudos, km/h, m/s).
   • Codificación de categoría original (si existe).
   • Presencia de flags de landfall oficiales.
   • Repetir el pipeline con viento/categoría corregidos.

2. Refinar landfall y categorías:

   • Forzar un recálculo de categoría Saffir–Simpson a partir de viento validado.
   • Verificar manualmente algunos casos de huracanes históricos para validar la lógica.

3. Recalibrar riesgo por categoría:

   • Una vez corregidas las categorías:
   • Recalcular lambdaCat1, lambdaCat3, etc.
   • Regenerar tablas de excedencia y periodos de retorno.

4. Ajustar la capa aseguradora:

   • Aumentar el número de años simulados o mejorar el muestreo de viento por región.
   • Considerar funciones de daño más suaves (logit o curvas de vulnerabilidad estándar).

5. Integración en dashboards / story maps:

   • Usar los GeoJSON y GIFs como base en:
   • Dashboards internos (e.g., Plotly Dash).
   • Story maps de ArcGIS o similares.
   • Combinar los heatmaps con capas de exposición (si se dispone) para análisis de pérdida potencial.

Si quieres, en el siguiente paso puedo:

• Profundizar solo en la parte de riesgo catastrófico (frecuencias, periodos de retorno, PMI) ajustando parámetros.
• O centrarme en rediseñar los mapas/GIFs (colores, zooms, anotaciones) para un storytelling ejecutivo específico (por ejemplo, “riesgo extremo Cat3+ en Florida Keys vs Miami vs Panhandle”).