Generalizando um modelo estatístico clássico e adaptando-o para uso na análise dos extremos da precipitação em grandes conjuntos de dados, pesquisadores, incluindo Raphaël Huser da KAUST, desenvolveram uma ferramenta analítica mais eficiente e flexível que promete melhorar a previsão do risco de inundações e outros fenômenos climáticos extremos.

Eventos climáticos extremos raros, como inundações, ventos extremos, altas temperaturas e seca, pode ser devastador, mas prever a frequência e gravidade de tais condições continua sendo um dos principais desafios da ciência estatística. Mesmo grande, conjuntos de dados de longo prazo em áreas extensas podem incluir muito poucos eventos extremos, tornando excepcionalmente difícil prever eventos futuros com precisão.

"Existem duas maneiras clássicas de modelar eventos extremos, a abordagem de 'bloco máximo', onde olhamos para os maiores eventos em blocos de tempo e a abordagem de 'ultrapassagem do limite', que seleciona os primeiros percentuais de eventos em todo o período do conjunto de dados, "explica Huser, que realizou o trabalho em colaboração com os colegas estadunidenses Gregory Bopp e Benjamin Shaby. "Trabalhos anteriores desenvolveram novas ferramentas para aplicar a abordagem de excedência do limite; neste estudo generalizamos um modelo clássico de bloco máximo para aplicação em precipitação extrema."

A abordagem de bloco máximo tem uma longa tradição nas estatísticas de extremos, mas tem um alto custo computacional que limita sua aplicação aos conjuntos de dados de grande escala agora adquiridos rotineiramente na previsão do tempo. Essa abordagem também é incapaz de capturar o enfraquecimento observado da dependência entre as condições próximas à medida que os eventos se tornam mais extremos.

A abordagem da equipe aborda essas duas deficiências, adaptando um sistema relativamente inflexível, mas computacionalmente eficiente, modelo de estabilidade máxima usando inferência Bayesiana, que é uma abordagem de estimativa estatística que fornece uma maneira natural de incorporar a opinião de especialistas e contabilizar várias fontes de variabilidade.

"Nosso modelo bayesiano tem muitos parâmetros e efeitos aleatórios ocultos, que precisam ser estimados em conjunto, "diz Huser." Além do desafio computacional, simplesmente desenvolver o próprio modelo e derivar suas propriedades teóricas foi um grande desafio. Há uma razão pela qual os modelos clássicos de estabilidade máxima têm sido usados ​​extensivamente por um longo tempo - não é fácil generalizá-los e chegar a modelos mais realistas e flexíveis. "

O modelo foi capaz de capturar os padrões observados em eventos extremos de precipitação que ocorrem ao longo da costa e das fronteiras da cordilheira no nordeste da América, demonstrando seu potencial para prever o risco de inundações.

"Nosso modelo também pode ser facilmente adaptado a outros tipos de conjuntos de dados ambientais, como vento e temperatura, dando-lhe uma aplicabilidade muito ampla, "observa Huser.