Modellazione dei dati ambientali, come la velocità o la temperatura del vento regionale, è una faccenda complicata. Per modellare i dati statisticamente sono necessarie ipotesi significative sul loro comportamento nel tempo e nello spazio, tuttavia arrivare a tali ipotesi richiede una comprensione dei dati che generalmente può essere ottenuta solo mediante la modellazione. È un problema che rappresenta un grosso ostacolo al progresso nella modellazione ambientale e climatica su larga scala, soprattutto per eventi estremi.

Il ricercatore KAUST Raphaël Huser, in collaborazione con colleghi francesi e svizzeri, ha ora sviluppato un framework di modellazione che consente ai dati di definire il proprio comportamento intorno a eventi estremi senza la necessità di assunzioni predeterminate restrittive.

"Estremi ambientali, come raffiche di vento estreme, inondazioni, o ondate di calore, sono spesso spazialmente dipendenti, " spiega Huser. "Cioè, due stazioni di misurazione vicine possono, e spesso lo faccio, sperimentare eventi estremi contemporaneamente. Ma questa dipendenza si stabilizza o si indebolisce quando l'evento diventa più estremo? I modelli statistici classici richiedono che la natura di questa dipendenza estrema sia definita prima della modellazione, ma poiché gli eventi estremi sono rari, può essere molto difficile se non impossibile indovinare correttamente la classe di dipendenza in anticipo."

I modelli statistici classici che tengono conto di eventi estremi sono noti come modelli asintotici. La scelta del tipo di dipendenza estremale asintotica determina come il modello estrapola eventi ancora più estremi di quelli presenti nei dati. Viene fornito in bundle con altre ipotesi implicite che non sono sempre realistiche dal punto di vista ambientale, con la conseguenza che tali modelli possono valutare erroneamente la probabilità di futuri eventi estremi.

"Abbiamo sviluppato una suite di modelli geostatistici flessibili 'subasintotici' utilizzando una base gaussiana generale che cattura entrambi i tipi di dipendenza asintotica, " dice Huser. "I nostri modelli sono più flessibili e più facili da usare, soprattutto per i dati di dimensioni superiori raccolti in molte stazioni di monitoraggio".

Attraverso simulazioni di velocità del vento misurate, Il team di Huser ha dimostrato che il loro modello di miscele su scala gaussiana può stimare con precisione il tipo di dipendenza estremale. Supera anche altri modelli tipici su una gamma di metriche prestazionali con un buon adattamento ai dati e una previsione spaziale più realistica di velocità del vento estreme in luoghi non osservati.

"Il risultato più importante del nostro lavoro è che non abbiamo più bisogno di fissare in anticipo la classe di dipendenza asintotica, ma possiamo lasciare che i dati parlino da soli, " afferma Huser. "Questo modello è applicabile a un'ampia gamma di dati ambientali e contribuirà a migliorare la nostra modellizzazione e la previsione di eventi estremi".