Generalizzando un modello statistico classico e adattandolo per l'uso nell'analisi degli estremi delle precipitazioni in grandi set di dati, ricercatori, tra cui Raphaël Huser di KAUST, hanno ideato uno strumento analitico più efficiente e flessibile che promette di migliorare la previsione del rischio di alluvioni e di altri fenomeni meteorologici estremi.

Rari eventi meteorologici estremi, come le inondazioni, venti estremi, alte temperature e siccità, può essere devastante, ma la previsione della frequenza e della gravità di tali condizioni rimane una delle sfide chiave nella scienza statistica. Anche grande, set di dati a lungo termine su aree estese possono includere pochissimi eventi estremi, rendendo eccezionalmente difficile prevedere eventi futuri con precisione.

"Ci sono due modi classici per modellare gli eventi estremi, l'approccio del "blocco massimo", dove esaminiamo i più grandi eventi in blocchi di tempo e l'approccio del "superamento della soglia", che seleziona la prima percentuale di eventi nell'intero arco temporale del set di dati, " spiega Huser, che ha intrapreso il lavoro in collaborazione con i colleghi statunitensi Gregory Bopp e Benjamin Shaby. "Il lavoro precedente ha sviluppato nuovi strumenti per applicare l'approccio del superamento della soglia; in questo studio abbiamo generalizzato un classico modello di blocco massimo per l'applicazione a precipitazioni estreme".

L'approccio del blocco massimo ha una lunga tradizione nelle statistiche degli estremi, ma ha un costo computazionale elevato che limita la sua applicazione ai set di dati su larga scala ora acquisiti di routine nelle previsioni meteorologiche. Questo approccio non è inoltre in grado di catturare l'indebolimento osservato della dipendenza tra condizioni vicine man mano che gli eventi diventano più estremi.

L'approccio del team affronta entrambe queste carenze adattando un sistema relativamente inflessibile, ma computazionalmente efficiente, modello max-stabile utilizzando l'inferenza bayesiana, che è un approccio di stima statistica che fornisce un modo naturale per incorporare l'opinione degli esperti e tenere conto di varie fonti di variabilità.

"Il nostro modello bayesiano ha molti parametri ed effetti casuali nascosti, che devono essere stimati congiuntamente, " dice Huser. "Al di là della sfida computazionale, semplicemente sviluppare il modello stesso e ricavarne le proprietà teoriche è stata una grande sfida. C'è un motivo per cui i modelli classici max-stable sono stati ampiamente utilizzati per molto tempo:non è semplice generalizzarli e creare modelli più realistici e flessibili".

Il modello è stato in grado di catturare i modelli osservati in eventi di precipitazioni estreme che si verificano lungo i confini della costa e della catena montuosa nel nord-est dell'America, dimostrando il suo potenziale per la previsione del rischio di alluvioni.

"Il nostro modello potrebbe essere facilmente adattato anche ad altri tipi di set di dati ambientali, come vento e temperatura, dandogli un'applicabilità molto ampia, " nota Huser.