Uma abordagem de dividir para conquistar, combinado com alguma ginástica matemática, ajudou os pesquisadores da KAUST, Ying Sun e Yuxiao Li, a criar um esquema estatístico rápido e flexível para melhorar a precisão da modelagem de mudanças climáticas.

"Os estatísticos tentam evitar suposições irrealistas para estimar os processos ambientais com mais precisão, "diz Li, um Ph.D. aluno da equipe de pesquisa da Sun. "A motivação por trás de nosso estudo foi melhorar como a não estacionariedade espacial é considerada na modelagem climática em uma área grande e geograficamente complexa."

A não estacionariedade ocorre quando as estatísticas de um parâmetro observado, como temperatura ou precipitação, varia com o tempo ou espaço. Nesse caso, Li e Sun analisaram as estatísticas que descrevem como as medições em dois locais diferentes mudam espacialmente. Compreender e caracterizar com precisão essa covariância é fundamental na previsão do tempo e na tradução ou redução da modelagem climática global que é feita em escalas muito grosseiras para ser capaz de prever os efeitos locais em escalas mais finas.

"Podemos pensar em covariância espacial como o quão bem as observações estão correlacionadas entre si no espaço, ou como padrões espaciais, "explica Li." Para dados ambientais, o padrão de correlação espacial sobre a terra é diferente daquele sobre o oceano. Porque o padrão de correlação não é exatamente o mesmo em todos os lugares, precisamos considerar como representar essa não-estacionariedade. "

A não estacionariedade foi tratada anteriormente por abordagens baseadas em convolução complexas e computacionalmente intensas, juntamente com aproximações baseadas em suposições de estacionariedade local em um tamanho de grade arbitrário. Sun e Li desenvolveram uma abordagem computacionalmente eficiente que melhora muito a precisão da aproximação.

"O desafio da modelagem não estacionária é a compensação entre precisão e eficiência, "diz Li." Nós estendemos o modelo estacionário local, que é eficiente, mas não preciso, a um modelo não estacionário local de variação linear dividindo a região espacial e estimando as funções de covariância para cada sub-região. Isso nos permite descrever recursos não estacionários mais complicados, o que melhora a precisão e ao mesmo tempo é rápido de calcular. "

Os pesquisadores esperam melhorar significativamente a redução da escala da modelagem climática por meio desta abordagem, o que evita suposições irrealistas e pode estimar diferentes tipos de não estacionariedade espacial em uma escala espacial mais precisa. Eles demonstraram a eficiência e a precisão aprimorada de seu esquema simulando a precipitação em alta resolução espacial em uma grande região. A abordagem também se presta à interpolação de processos ambientais em locais não observados.

"Uma vez que nosso método é baseado em suposições mais realistas, análises usando esta abordagem podem ajudar os cientistas a entender melhor o tempo e o clima, "diz Li.