Al generalizar un modelo estadístico clásico y adaptarlo para su uso en el análisis de los extremos de lluvia en grandes conjuntos de datos, investigadores, incluido Raphaël Huser de KAUST, han ideado una herramienta analítica más eficiente y flexible que promete mejorar la predicción del riesgo de inundaciones y otros fenómenos meteorológicos extremos.

Fenómenos meteorológicos extremos raros, como inundaciones, vientos extremos, altas temperaturas y sequía, puede ser devastador, pero predecir la frecuencia y severidad de tales condiciones sigue siendo uno de los desafíos clave en la ciencia estadística. Incluso grande Los conjuntos de datos a largo plazo en áreas extensas pueden incluir muy pocos eventos extremos, lo que hace que sea excepcionalmente difícil predecir eventos futuros con precisión.

"Clásicamente, hay dos formas de modelar los eventos extremos, el enfoque de 'bloque máximo', donde observamos los eventos más grandes en bloques de tiempo y el enfoque de 'superación del umbral', que selecciona el menor porcentaje de eventos en todo el período de tiempo del conjunto de datos, "explica Huser, quien llevó a cabo el trabajo en colaboración con sus colegas estadounidenses Gregory Bopp y Benjamin Shaby. "El trabajo anterior ha desarrollado nuevas herramientas para aplicar el enfoque de superación del umbral; en este estudio generalizamos un modelo clásico de bloques máximos para su aplicación a precipitaciones extremas".

El enfoque de bloque máximo tiene una larga tradición en las estadísticas de extremos, pero tiene un alto costo computacional que limita su aplicación a los conjuntos de datos a gran escala que ahora se adquieren de forma rutinaria en la predicción meteorológica. Este enfoque tampoco es capaz de capturar el debilitamiento observado de la dependencia entre las condiciones cercanas a medida que los eventos se vuelven más extremos.

El enfoque del equipo aborda estas dos deficiencias mediante la adaptación de un sistema relativamente inflexible, pero computacionalmente eficiente, modelo máximo estable usando inferencia bayesiana, que es un enfoque de estimación estadística que proporciona una forma natural de incorporar la opinión de expertos y dar cuenta de varias fuentes de variabilidad.

"Nuestro modelo bayesiano tiene muchos parámetros y efectos aleatorios ocultos, que deben estimarse conjuntamente, "dice Huser." Más allá del desafío computacional, simplemente desarrollar el modelo en sí y derivar sus propiedades teóricas fue un gran desafío. Hay una razón por la que los modelos clásicos de estabilidad máxima se han utilizado ampliamente durante mucho tiempo:no es sencillo generalizarlos y llegar a modelos más realistas y flexibles ".

El modelo fue capaz de capturar los patrones observados en los eventos de precipitación extrema que ocurren a lo largo de las fronteras de la costa y la cordillera en el noreste de América. demostrando su potencial para predecir el riesgo de inundaciones.

"Nuestro modelo también podría adaptarse fácilmente a otros tipos de conjuntos de datos ambientales, como el viento y la temperatura, dándole una aplicabilidad muy amplia, "señala Huser.