La previsione del clima e del tempo si basa su modelli statistici in grado di catturare la variabilità in un luogo nel tempo, nonché la relazione con altri luoghi geografici. A volte le condizioni future in un luogo possono essere previste dalle condizioni attuali in un altro luogo, mentre in altri casi potrebbe non esserci tale correlazione. L'ipotesi che due siti siano "covarianti" in un modo o nell'altro può avere profonde implicazioni per l'accuratezza del modello statistico, e quindi la scelta della covarianza spazio-temporale è cruciale.

Ying Sun e il suo studente Huang Huang di KAUST hanno ora sviluppato un metodo per visualizzare le proprietà di covarianza spazio-temporale di un set di dati, semplificando notevolmente un'importante fase di modellazione che in precedenza richiedeva un'attenta analisi esplorativa dei dati.

"Proponiamo un modo facile e conveniente per visualizzare le proprietà della struttura di covarianza nei dati, che aiuterà i professionisti a scegliere modelli statistici appropriati per le covarianze, " dice Sun. "In particolare, questo metodo è utile per dati che si osservano sparsi nello spazio e densi nel tempo, che è spesso il caso, ad esempio, delle osservazioni delle stazioni meteorologiche".

Sun e Huang hanno considerato due tipi chiave di covarianza-simmetria e separabilità. La simmetria implica che i processi spazio-temporali siano reversibili nel tempo, mentre la separabilità indica che la correlazione nel tempo non interagisce con quella nello spazio.

"Supponendo una covarianza completamente simmetrica o separabile porta a un modello molto più semplice e quindi a calcoli veloci, " dice Sun. "Tuttavia, questa ipotesi di modello può essere violata in molte applicazioni reali, portando a stime e previsioni meno accurate."

Huang e Sun hanno utilizzato un approccio di analisi dei dati funzionali per costruire funzioni di test dalle covarianze nei dati delle serie temporali tra coppie di posizioni. Queste funzioni di test riassumono efficacemente le proprietà di separabilità o simmetria e possono essere visualizzate come grafici a scatole che mostrano il grado di non separabilità o asimmetria.

"Abbiamo applicato questo approccio alle osservazioni meteorologiche e ai dati meteorologici simulati da alcuni modelli climatici comunemente usati, " dice Huang. "Negli esempi riportati per un'area di studio nell'Oceano Atlantico settentrionale, questo metodo ha mostrato che la velocità del vento e la temperatura superficiale hanno strutture di covarianza diverse nelle diverse stagioni".

La visualizzazione può essere calcolata in tempi relativamente brevi per una manciata di stazioni di monitoraggio, e i ricercatori notano che l'efficienza computazionale può essere migliorata per un numero maggiore di stazioni dividendo il problema in sottoregioni. Tuttavia, il metodo fornisce uno strumento prezioso che sarà di grande aiuto ai professionisti.