Ao adaptar uma estrutura física de acompanhamento de fluxo para a modelagem estatística de grandes conjuntos de dados espaço-temporais, os pesquisadores da KAUST desenvolveram um método geral mais robusto e realista para lidar com fenômenos impulsionados pelo vento. A abordagem promete melhorar muito a precisão da previsão de dispersão de poluentes, incorporando processos fisicamente mais realistas na modelagem geoestatística.
As análises geoestatísticas envolvem o processamento estatístico de conjuntos de dados muito grandes, como medições da velocidade do vento em muitos locais e altitudes ao longo do tempo, para extrair um modelo subjacente de como certos parâmetros se comportam e são correlacionados espacial e temporalmente no mundo real. No entanto, a capacidade de tais modelos para caracterizar com precisão esse comportamento e prever o que acontece a seguir depende em grande parte da estrutura do modelo usada para análise. Uma equipe de cientistas da KAUST liderada por Marc Genton vem desenvolvendo estruturas analíticas mais fisicamente significativas que podem modelar melhor esses fenômenos naturais.

"Muitos modelos geoestatísticos de espaço-tempo não refletem necessariamente relações científicas fundamentais", explica Mary Salvaña, que trabalhou com Genton e Amanda Lenzi na pesquisa. "Existe uma demanda por modelos geoestatísticos espaço-tempo com base física, pois a maioria dos dados ambientais obedece a várias leis fundamentais da natureza. geoestatística multivariada de tempo para desenvolver um conjunto de modelos espaço-tempo orientados por dados que são mais apropriados para conjuntos de dados envolvendo transporte por meios, como o vento."

O vento é um fenômeno de condução complicado para incorporar em um modelo estatístico prático. É assimétrico em sua correlação, fluindo de um lugar para outro, e também varia de acordo com a altitude. A estrutura Lagrangiana foi desenvolvida no campo da dinâmica de fluidos para modelar fluxos de uma maneira análoga à física subjacente, seguindo uma parcela de fluido à medida que ela se move no espaço e no tempo. Para Salvaña e seus colegas, o desafio era garantir que essa estrutura pudesse ser usada de forma válida com um modelo de geoestatística espaço-tempo em múltiplas variáveis.

"Nossos resultados, que confirmaram a validade do modelo, mostraram que não levar em conta múltiplas advecções ou fenômenos de transporte pode levar a previsões ruins", diz Salvaña.

A equipe demonstrou seu modelo aplicando-o a um conjunto de dados de poluentes bivariados de material particulado em toda a Arábia Saudita. Os resultados mostraram que as distribuições de carbono negro são modeladas com muito mais precisão levando em consideração o comportamento do vento dependente da altitude.

“Nossa estrutura de modelagem também pode ser aplicada ao estudo da correlação espaço-tempo de variáveis ​​oceânicas, já que a água é outro meio de transporte, o que pode ser importante para entender os padrões oceânicos antes e depois de um ciclone tropical”, diz Salvaña.

O estudo foi publicado no Journal of the American Statistical Association . + Explorar mais

Um modelo para milhões de locais permite uma melhor previsão das condições climáticas e ambientais