Ny statistisk tilgang til miljømålinger lader dataene bestemme, hvordan ekstreme hændelser skal modelleres

Modellering af miljødata, såsom regional vindhastighed eller temperatur, er en kompliceret forretning. At modellere data statistisk kræver betydelige antagelser om dets adfærd over tid og rum - men at nå frem til disse antagelser kræver en forståelse af dataene, som generelt kun kan opnås ved modellering. Det er en catch-22, der udgør en stor hindring for fremskridt i storskala miljø- og klimamodellering, især til ekstreme begivenheder.

KAUST -forsker Raphaël Huser, i samarbejde med kolleger fra Frankrig og Schweiz, har nu udviklet en modelleringsramme, der lader dataene definere sin egen adfærd omkring ekstreme begivenheder uden behov for restriktive forudbestemte antagelser.

"Ekstreme miljø, såsom ekstreme vindstød, oversvømmelser, eller hedebølger, er ofte rumligt afhængige, " forklarer Huser. "Det vil sige, to nabomålestationer kan evt. og gør det ofte, opleve ekstreme begivenheder samtidigt. Men stabiliseres eller svækkes denne afhængighed, efterhånden som begivenheden bliver mere ekstrem? Klassiske statistiske modeller kræver, at arten af ​​denne ekstreme afhængighed defineres før modellering, men fordi ekstreme begivenheder er få, det kan være meget svært hvis ikke umuligt at gætte afhængighedsklassen korrekt på forhånd."

Klassiske statistiske modeller, der tager højde for ekstreme hændelser, er kendt som asymptotiske modeller. Valget af asymptotisk ekstremal afhængighedstype bestemmer, hvordan modellen ekstrapolerer til begivenheder, der er endnu mere ekstreme end dem, der er til stede i dataene. Det kommer sammen med andre underforståede antagelser, der ikke altid er realistiske miljømæssigt, med det resultat, at sådanne modeller kan fejlagtigt vurdere sandsynligheden for fremtidige ekstreme hændelser.

"Vi udviklede en række fleksible geostatistiske" subasymptotiske "modeller ved hjælp af et generelt gaussisk grundlag, der fanger begge typer asymptotisk afhængighed, " siger Huser. "Vores modeller er mere fleksible og nemmere at bruge, især for højere dimensionelle data indsamlet på mange overvågningsstationer."

Gennem simuleringer af målte vindhastigheder, Husers team viste, at deres blandingsmodel i Gaussisk skala nøjagtigt kan estimere den ekstreme afhængighedstype. Den udkonkurrerer også andre typiske modeller over en række præstationsmålinger med en god tilpasning til dataene og mere realistisk rumlig forudsigelse af ekstreme vindhastigheder på uobserverede steder.

"Det vigtigste resultat af vores arbejde er, at vi ikke længere skal reparere den asymptotiske afhængighedsklasse på forhånd, men kan lade dataene tale for sig selv, "siger Huser." Denne model kan anvendes til en lang række miljødata og vil hjælpe med at forbedre vores modellering og forudsigelse af ekstreme hændelser. "