Et skarpere syn på oversvømmelsesrisiko

Ved at generalisere en klassisk statistisk model og tilpasse den til brug ved analyse af ekstreme nedbørsmængder i store datasæt, forskere, herunder KAUSTs Raphaël Huser, har udtænkt et mere effektivt og fleksibelt analyseværktøj, der lover at forbedre forudsigelsen af ​​oversvømmelsesrisiko og andre ekstreme vejrfænomener.

Sjældne ekstreme vejrbegivenheder, såsom oversvømmelser, ekstrem vind, høje temperaturer og tørke, kan være ødelæggende, men at forudsige hyppigheden og sværhedsgraden af ​​sådanne tilstande er fortsat en af ​​de vigtigste udfordringer i statistisk videnskab. Selv store, langsigtede datasæt over omfattende områder kan omfatte meget få ekstreme hændelser, gør det usædvanligt vanskeligt at forudsige fremtidige begivenheder med nøjagtighed.

"Der er klassisk to måder at modellere ekstreme begivenheder på, "blok maksimum"-tilgangen, hvor vi ser på de største begivenheder i tidsblokke og tilgangen til "overskridelse af tærskelværdier", som vælger de øverste få procent af hændelser på tværs af hele datasættets tidsramme, " forklarer Huser, som påtog sig arbejdet i samarbejde med de USA-baserede kolleger Gregory Bopp og Benjamin Shaby. "Tidligere arbejde har udviklet nye værktøjer til at anvende tilgangen til overskridelse af tærskelværdien; i denne undersøgelse generaliserede vi en klassisk blokmaksimummodel til anvendelse på ekstrem nedbør."

Block maximum tilgangen har en lang tradition i statistikken over ekstremer, men det har en høj beregningsomkostning, der begrænser dens anvendelse til de store datasæt, der nu rutinemæssigt erhverves i vejrudsigt. Denne tilgang er heller ikke i stand til at fange den observerede svækkelse af afhængigheden mellem nærliggende forhold, efterhånden som begivenhederne bliver mere ekstreme.

Teamets tilgang adresserer begge disse mangler ved at tilpasse en relativt ufleksibel, men beregningsmæssigt effektiv, max-stabil model ved hjælp af Bayesiansk inferens, som er en statistisk estimeringstilgang, der giver en naturlig måde at inkorporere ekspertudtalelser på og redegøre for forskellige kilder til variabilitet.

"Vores Bayesianske model har en masse parametre og skjulte tilfældige effekter, som skal vurderes i fællesskab, " siger Huser. "Ud over den beregningsmæssige udfordring, blot at udvikle selve modellen og udlede dens teoretiske egenskaber var en stor udfordring. Der er en grund til, at klassiske max-stabile modeller har været brugt i udstrakt grad i lang tid - det er ikke ligetil at generalisere dem og komme med mere realistiske og fleksible modeller."

Modellen var i stand til at fange de observerede mønstre i ekstreme nedbørshændelser, der fandt sted langs kysten og bjergkædens grænser i det nordøstlige Amerika, demonstrerer dets potentiale til at forudsige oversvømmelsesrisiko.

"Vores model kan også nemt tilpasses til andre typer miljødatasæt, såsom vind og temperatur, giver det meget bred anvendelighed, " konstaterer Huser.