Integrando paradigmi statistici precedentemente distinti in un unico schema di modellazione, Raphaël Huser di KAUST e Jennifer Wadsworth della Lancaster University nel Regno Unito hanno eliminato parte delle congetture dalla modellazione di condizioni meteorologiche estreme. Ciò potrebbe migliorare notevolmente le previsioni di futuri eventi estremi.
Modellare la frequenza e la gravità di possibili condizioni meteorologiche estreme, come piogge intense, forti venti e ondate di calore, deve tenere conto della correlazione spaziale delle stazioni di monitoraggio vicine. Questo è, forti piogge in una stazione spesso implicano che ci saranno piogge altrettanto intense nelle vicinanze.
Però, all'aumentare della gravità dell'evento, questa dipendenza spaziale può indebolirsi:maggiore è l'intensità delle precipitazioni, Per esempio, meno è probabile che si verifichi in una vasta regione. Alcuni eventi estremi possono anche essere interamente localizzati intorno a una stazione, senza alcuna correlazione con quelli vicini.
Decidere se la dipendenza cambia con l'intensità, e fino a che punto, è un passaggio cruciale nel processo di selezione del modello, ma è spesso difficile da determinare. Per coloro che sono coinvolti nella previsione dei disastri meteorologici, una mancata corrispondenza tra la selezione del modello e il carattere nascosto dei dati può minare in modo critico l'accuratezza delle previsioni.
"È molto comune con le velocità del vento o le precipitazioni che la dipendenza spaziale si indebolisce man mano che gli eventi diventano più estremi, e alla fine svanisce, " spiega Huser. "Se ci limitiamo a modelli dipendenti 'asintoticamente', potremmo sopravvalutare la forza di dipendenza spaziale dei più grandi eventi estremi; nel frattempo, se ci limitiamo a modelli "asintoticamente" indipendenti, potremmo sottovalutare la loro forza di dipendenza."
Basandosi sul loro recente lavoro, Huser e Wadsworth hanno sviluppato un approccio statistico integrato che elimina queste congetture combinando questi disparati modelli di dipendenza spaziale su un continuum uniforme.
"Il nostro modello statistico passa senza problemi tra dipendenza asintotica e indipendenza all'interno dello spazio dei parametri, " spiega Huser, "che facilita notevolmente l'inferenza statistica ed è più generale di altri modelli, copre una diversa classe di modelli statistici con applicazione a una gamma più ampia di scenari."
I ricercatori hanno applicato lo schema di modellizzazione alle osservazioni invernali dell'altezza estrema delle onde nel Mare del Nord, che è stato trovato in uno studio precedente per avere un alto grado di ambiguità nella sua classe di dipendenza. Il modello si è dimostrato molto efficace nel trattare i dati, tenendo conto del caso in cui vi è una forte dipendenza spaziale ma anche una forte evidenza di indipendenza asintotica.
"Il nostro nuovo modello statistico collega queste due possibilità solitamente distinte, e, soprattutto, l'apprendimento del tipo di dipendenza diventa parte del processo di inferenza, " dice Wadsworth. "Ciò significa che il modello può essere montato senza dover selezionare in anticipo la classe di dipendenza appropriata, pur essendo flessibile e facile da usare."
