Al adaptar un marco físico de seguimiento de flujo al modelado estadístico de grandes conjuntos de datos espacio-temporales, los investigadores de KAUST han desarrollado un método general más sólido y realista para tratar los fenómenos impulsados ​​por el viento. El enfoque promete mejorar en gran medida la precisión de la predicción de la dispersión de contaminantes al incorporar procesos más realistas físicamente en el modelado geoestadístico.

Los análisis geoestadísticos implican el procesamiento estadístico de conjuntos de datos muy grandes, como mediciones de la velocidad del viento en muchos lugares y altitudes a lo largo del tiempo, para extraer un modelo subyacente de cómo ciertos parámetros se comportan y se correlacionan espacial y temporalmente en el mundo real. Sin embargo, la capacidad de dichos modelos para caracterizar con precisión ese comportamiento y predecir lo que sucederá a continuación depende en gran medida del marco del modelo utilizado para el análisis. Un equipo de científicos de KAUST dirigido por Marc Genton ha estado desarrollando marcos analíticos más significativos físicamente que pueden modelar mejor estos fenómenos naturales.

"Muchos modelos geoestadísticos del espacio-tiempo no reflejan necesariamente las relaciones científicas fundamentales", explica Mary Salvaña, quien trabajó con Genton y Amanda Lenzi en la investigación. "Existe una demanda de modelos geoestadísticos espacio-temporales con una base física, ya que la mayoría de los datos ambientales obedecen a varias leyes fundamentales de la naturaleza. En este estudio, tomamos un concepto de modelado en física llamado marco Lagrangiano y lo formulamos en el lenguaje del espacio:geoestadística multivariada de tiempo para desarrollar un conjunto de modelos de espacio-tiempo basados ​​en datos que son más apropiados para conjuntos de datos que implican el transporte por medios, como el viento".

El viento es un fenómeno de conducción complicado de incorporar en un modelo estadístico práctico. Es asimétrico en su correlación, fluye de un lugar a otro, y también varía según la altitud. El marco lagrangiano se desarrolló en el campo de la dinámica de fluidos para modelar flujos de una manera análoga a la física subyacente al seguir un paquete fluido a medida que se mueve a través del espacio y el tiempo. Para Salvaña y sus colegas, el desafío era garantizar que este marco pudiera usarse de manera válida con un modelo de geoestadística espacio-temporal a través de múltiples variables.

"Nuestros resultados, que confirmaron la validez del modelo, mostraron que no tener en cuenta múltiples advecciones o fenómenos de transporte puede conducir a predicciones deficientes", dice Salvaña.

El equipo demostró su modelo aplicándolo a un conjunto de datos de contaminantes bivariados de partículas en Arabia Saudita. Los resultados mostraron que las distribuciones de carbono negro se modelan con mucha más precisión teniendo en cuenta el comportamiento del viento dependiente de la altitud.

"Nuestro marco de modelado también podría aplicarse al estudio de la correlación espacio-temporal de las variables oceánicas, ya que el agua es otro medio de transporte, lo que podría ser importante para comprender los patrones oceánicos antes y después de un ciclón tropical", dice Salvaña.

El estudio se publica en el Journal of the American Statistical Association . + Explora más

Un modelo para millones de ubicaciones permite una mejor predicción de las condiciones climáticas y ambientales