La predicción del clima y el tiempo se basa en modelos estadísticos que pueden capturar la variabilidad en un lugar a lo largo del tiempo, así como la relación con otras ubicaciones geográficas. A veces, las condiciones futuras en un lugar se pueden predecir a partir de las condiciones actuales en otro lugar, mientras que en otros casos puede no haber tal correlación. La suposición de si dos sitios son 'covariantes' de una forma u otra puede tener profundas implicaciones para la precisión del modelo estadístico. por tanto, la elección de la covarianza espacio-temporal es crucial.

Ying Sun y su alumno Huang Huang de KAUST ahora han desarrollado un método para visualizar las propiedades de covarianza espacio-temporal de un conjunto de datos, simplificando enormemente un importante paso de modelado que anteriormente requería un minucioso análisis de datos exploratorios.

"Proponemos una forma fácil y conveniente de visualizar las propiedades de la estructura de covarianza en los datos, que ayudará a los profesionales a elegir modelos estadísticos adecuados para las covarianzas, "dice Sun". En particular, este método es útil para datos que se observan escasos en el espacio y densos en el tiempo, que suele ser el caso, por ejemplo, de las observaciones de estaciones meteorológicas ".

Sun y Huang consideraron dos tipos clave de covarianza:simetría y separabilidad. La simetría implica que los procesos espacio-temporales son reversibles en el tiempo, mientras que la separabilidad indica que la correlación en el tiempo no interactúa con la del espacio.

"Asumir una covarianza completamente simétrica o separable conduce a un modelo mucho más simple y, por lo tanto, a cálculos rápidos, "dice Sun". Sin embargo, esta suposición del modelo puede violarse en muchas aplicaciones reales, lo que conduce a estimaciones y predicciones menos precisas ".

Huang y Sun utilizaron un enfoque de análisis de datos funcionales para construir funciones de prueba a partir de las covarianzas en los datos de series de tiempo entre pares de ubicaciones. Estas funciones de prueba resumen de manera eficaz las propiedades de separabilidad o simetría y pueden mostrarse como diagramas de caja que muestran el grado de no separabilidad o asimetría.

"Aplicamos este enfoque a las observaciones meteorológicas y simulamos datos meteorológicos de algunos modelos climáticos de uso común, "dice Huang." En los ejemplos reportados para un área de estudio en el Océano Atlántico Norte, este método mostró que la velocidad del viento y la temperatura de la superficie tienen diferentes estructuras de covarianza en diferentes estaciones ".

La visualización se puede calcular con relativa rapidez para un puñado de estaciones de monitoreo, y los investigadores señalan que la eficiencia computacional se puede mejorar para un mayor número de estaciones dividiendo el problema en subregiones. Sin embargo, el método proporciona una herramienta valiosa que será de gran ayuda para los profesionales.