Al integrar paradigmas estadísticos previamente distintos en un solo esquema de modelado, Raphaël Huser de KAUST y Jennifer Wadsworth de la Universidad de Lancaster en el Reino Unido han eliminado algunas de las conjeturas al modelar los extremos climáticos. Esto podría mejorar enormemente las predicciones de futuros eventos extremos.
Modelar la frecuencia y severidad de posibles fenómenos meteorológicos extremos, como lluvias intensas, fuertes vientos y olas de calor, debe tener en cuenta que las estaciones de monitoreo cercanas están correlacionadas espacialmente. Es decir, las lluvias intensas en una estación a menudo implican que habrá lluvias igualmente intensas en las cercanías.
Sin embargo, a medida que aumenta la gravedad del evento, esta dependencia espacial puede debilitarse:cuanto mayor es la intensidad de la lluvia, por ejemplo, es menos probable que ocurra en una amplia región. Algunos eventos extremos pueden incluso estar completamente localizados alrededor de una estación, sin ninguna correlación con los cercanos.
Decidir si la dependencia cambia con la intensidad, y en que medida es un paso crucial en el proceso de selección del modelo, pero a menudo es difícil de determinar. Para aquellos involucrados en la predicción de desastres climáticos, un desajuste entre la selección del modelo y el carácter oculto de los datos puede socavar críticamente la precisión de las predicciones.
"Es muy común con la velocidad del viento o la lluvia que la dependencia espacial se debilite a medida que los eventos se vuelven más extremos, y eventualmente desaparece, "explica Huser." Si nos limitamos a modelos dependientes 'asintóticamente', podríamos sobrestimar la fuerza de dependencia espacial de los eventos extremos más grandes; mientras tanto, si nos limitamos a modelos independientes asintóticamente, podríamos subestimar su fuerza de dependencia ".
Sobre la base de su trabajo reciente, Huser y Wadsworth han desarrollado un enfoque estadístico integrado que elimina estas conjeturas al combinar estos modelos de dependencia espacial dispares en un continuo uniforme.
"Nuestro modelo estadístico realiza una transición fluida entre la dependencia asintótica y la independencia en el interior del espacio de parámetros, "explica Huser, "que facilita enormemente la inferencia estadística y es más general que otros modelos, cubriendo una clase diferente de modelos estadísticos con aplicación a una gama más amplia de escenarios ".
Los investigadores aplicaron el esquema de modelado a las observaciones invernales de la altura de las olas extremas en el Mar del Norte. que en un estudio anterior se encontró que tiene un alto grado de ambigüedad en su clase de dependencia. El modelo demostró ser muy eficaz para tratar los datos, teniendo en cuenta el caso en el que existe una fuerte dependencia espacial, pero también una fuerte evidencia de independencia asintótica.
"Nuestro nuevo modelo estadístico une estas dos posibilidades normalmente distintas, y de manera crucial, aprender sobre el tipo de dependencia se convierte en parte del proceso de inferencia, "dice Wadsworth." Esto significa que el modelo se puede ajustar sin tener que seleccionar la clase de dependencia apropiada por adelantado, además de ser flexible y fácil de usar ".
