Modelado de datos ambientales, como la velocidad o la temperatura del viento regional, es un negocio complicado. Modelar datos estadísticamente requiere suposiciones significativas sobre su comportamiento en el tiempo y el espacio; sin embargo, llegar a esas suposiciones requiere una comprensión de los datos que generalmente solo se pueden obtener mediante el modelado. Es un catch-22 que presenta un obstáculo importante para el progreso en el modelado ambiental y climático a gran escala. particularmente para eventos extremos.

El investigador de KAUST Raphaël Huser, en colaboración con colegas de Francia y Suiza, ahora ha desarrollado un marco de modelado que permite que los datos definan su propio comportamiento en torno a eventos extremos sin la necesidad de suposiciones predeterminadas restrictivas.

"Extremos ambientales, como ráfagas de viento extremas, inundaciones u olas de calor, son a menudo espacialmente dependientes, "explica Huser". Es decir, dos estaciones de medición vecinas pueden, y a menudo lo hago, experimentar eventos extremos simultáneamente. Pero, ¿esta dependencia se estabiliza o debilita a medida que el evento se vuelve más extremo? Los modelos estadísticos clásicos requieren que se defina la naturaleza de esta dependencia extrema antes de modelar, pero como los eventos extremos son escasos, puede ser muy difícil, si no imposible, adivinar correctamente la clase de dependencia de antemano ".

Los modelos estadísticos clásicos que dan cuenta de eventos extremos se conocen como modelos asintóticos. La elección del tipo de dependencia extrema asintótica determina cómo el modelo se extrapola a eventos aún más extremos que los presentes en los datos. Viene junto con otras suposiciones implícitas que no siempre son realistas desde el punto de vista ambiental, con el resultado de que dichos modelos pueden evaluar incorrectamente la probabilidad de eventos extremos futuros.

"Desarrollamos un conjunto de modelos 'subasintóticos' geoestadísticos flexibles utilizando una base gaussiana general que captura ambos tipos de dependencia asintótica, "dice Huser." Nuestros modelos son más flexibles y fáciles de usar, especialmente para datos de mayor dimensión recopilados en muchas estaciones de monitoreo ".

Mediante simulaciones de velocidades del viento medidas, El equipo de Huser demostró que su modelo de mezclas a escala gaussiana puede estimar con precisión el tipo de dependencia extrema. También supera a otros modelos típicos en una variedad de métricas de rendimiento con un buen ajuste a los datos y una predicción espacial más realista de velocidades extremas del viento en ubicaciones no observadas.

"El resultado más importante de nuestro trabajo es que ya no necesitamos arreglar la clase de dependencia asintótica de antemano, sino que podemos dejar que los datos hablen por sí mismos, ", dice Huser." Este modelo es aplicable a una amplia gama de datos ambientales y ayudará a mejorar nuestro modelado y predicción de eventos extremos ".