p A previsão do clima e do tempo depende de modelos estatísticos que podem capturar a variabilidade em um local ao longo do tempo, bem como a relação com outros locais geográficos. Às vezes, as condições futuras em um local podem ser previstas a partir das condições atuais em outro local, enquanto em outros casos pode não haver tal correlação. A suposição de se dois sites são 'covariantes' de uma forma ou de outra pode ter implicações profundas para a precisão do modelo estatístico, e, portanto, a escolha da covariância espaço-tempo é crucial. p Ying Sun e seu aluno Huang Huang da KAUST desenvolveram agora um método para visualizar as propriedades de covariância espaço-temporal de um conjunto de dados, simplificando muito uma etapa de modelagem importante que anteriormente exigia uma análise de dados exploratória meticulosa.

p "Propomos uma maneira fácil e conveniente de visualizar as propriedades da estrutura de covariância nos dados, que ajudará os profissionais a escolher modelos estatísticos apropriados para covariâncias, "diz Sun." Em particular, este método é útil para dados que são observados esparsos no espaço e densos no tempo, que é frequentemente o caso para observações de estações meteorológicas, por exemplo. "

p Sun e Huang consideraram dois tipos principais de covariância-simetria e separabilidade. A simetria implica que os processos espaço-temporais são reversíveis no tempo, enquanto a separabilidade indica que a correlação no tempo não interage com aquela no espaço.

p "Assumindo uma covariância totalmente simétrica ou separável leva a um modelo muito mais simples e, portanto, cálculos rápidos, "diz Sun." No entanto, esta suposição de modelo pode ser violada em muitas aplicações reais, levando a estimativas e previsões menos precisas. "

p Huang e Sun usaram uma abordagem de análise de dados funcionais para construir funções de teste a partir das covariâncias nos dados de série temporal entre pares de localização. Essas funções de teste resumem efetivamente as propriedades de separabilidade ou simetria e podem ser exibidas como boxplots que mostram o grau de não separabilidade ou assimetria.

p "Aplicamos essa abordagem a observações meteorológicas e simulamos dados meteorológicos de alguns modelos climáticos comumente usados, "diz Huang." Nos exemplos relatados para uma área de estudo no Oceano Atlântico Norte, este método mostrou que a velocidade do vento e a temperatura da superfície têm diferentes estruturas de covariância em diferentes estações. "

p A visualização pode ser calculada de forma relativamente rápida para um punhado de estações de monitoramento, e os pesquisadores observam que a eficiência computacional pode ser melhorada para um número maior de estações, dividindo o problema em sub-regiões. No entanto, o método fornece uma ferramenta valiosa que ajudará muito os profissionais.