Modelagem de dados ambientais, como velocidade ou temperatura do vento regional, é um negócio complicado. Modelar dados estatisticamente requer suposições significativas sobre seu comportamento no tempo e no espaço - mas chegar a essas suposições requer uma compreensão dos dados que geralmente só podem ser obtidos por meio de modelagem. É um catch-22 que apresenta um grande obstáculo ao progresso na modelagem ambiental e climática em grande escala, particularmente para eventos extremos.

Raphaël Huser, pesquisador da KAUST, em colaboração com colegas da França e Suíça, agora desenvolveu uma estrutura de modelagem que permite que os dados definam seu próprio comportamento em torno de eventos extremos sem a necessidade de suposições predeterminadas restritivas.

"Extremos ambientais, como rajadas de vento extremas, inundações, ou ondas de calor, são frequentemente dependentes do espaço, "explica Huser." Isto é, duas estações de medição vizinhas podem, e costumam fazer, experimente eventos extremos simultaneamente. Mas essa dependência se estabiliza ou enfraquece conforme o evento se torna mais extremo? Modelos estatísticos clássicos requerem que a natureza desta dependência extrema seja definida antes da modelagem, mas porque os eventos extremos são escassos, pode ser muito difícil, senão impossível, adivinhar corretamente a classe de dependência com antecedência. "

Os modelos estatísticos clássicos responsáveis ​​por eventos extremos são conhecidos como modelos assintóticos. A escolha do tipo de dependência extrema assintótica determina como o modelo extrapola para eventos ainda mais extremos do que aqueles presentes nos dados. Ele vem junto com outras suposições implícitas que nem sempre são realistas do ponto de vista ambiental, com o resultado de que tais modelos podem avaliar incorretamente a probabilidade de eventos extremos futuros.

"Desenvolvemos um conjunto de modelos geoestatísticos flexíveis 'subassintóticos' usando uma base gaussiana geral que captura os dois tipos de dependência assintótica, "diz Huser." Nossos modelos são mais flexíveis e fáceis de usar, especialmente para dados dimensionais mais elevados coletados em muitas estações de monitoramento. "

Por meio de simulações de velocidades de vento medidas, A equipe de Huser mostrou que seu modelo de misturas em escala gaussiana pode estimar com precisão o tipo de dependência extrema. Ele também supera outros modelos típicos em uma gama de métricas de desempenho com um bom ajuste aos dados e uma previsão espacial mais realista de velocidades extremas do vento em locais não observados.

"O resultado mais importante do nosso trabalho é que não precisamos mais corrigir a classe de dependência assintótica com antecedência, mas podemos deixar os dados falarem por si, "diz Huser." Este modelo é aplicável a uma ampla gama de dados ambientais e ajudará a melhorar nossa modelagem e previsão de eventos extremos. "