Genom att integrera tidigare distinkta statistiska paradigm i ett enda modelleringsschema, Raphaël Huser från KAUST och Jennifer Wadsworth från Lancaster University i Storbritannien har tagit några av gissningarna från modellering av väder extremer. Detta kan avsevärt förbättra förutsägelserna för framtida extrema händelser.
Modellera frekvens och svårighetsgrad av möjliga väder extremer, som intensiv nederbörd, starka vindar och värmeböljor, måste redogöra för att närliggande övervakningsstationer är rumsligt korrelerade. Det är, kraftigt regn på en station innebär ofta att det kommer att komma lika mycket regn i närheten.
Dock, när händelsens svårighetsgrad ökar, detta rumsliga beroende kan försvagas - ju högre regnintensitet, till exempel, desto mindre sannolikt kommer det att förekomma i ett brett område. Vissa extrema händelser kan till och med vara helt lokaliserade kring en station, utan någon korrelation alls med de i närheten.
Avgör om beroendet förändras med intensitet, och i vilken utsträckning, är ett avgörande steg i modellvalsprocessen, men är ofta svårt att avgöra. För dem som är involverade i att förutsäga väderkatastrofer, en felaktig överensstämmelse mellan modellval och dataens dolda karaktär kan kritiskt undergräva förutsägelsernas riktighet.
"Det är mycket vanligt med vindhastigheter eller nederbörd att rumsberoende försvagas när händelserna blir mer extrema, och försvinner så småningom, "förklarar Huser." Om vi begränsar oss till "asymptotiskt" beroende modeller, vi kan överskatta den rumsliga beroendestyrkan för de största extrema händelserna; under tiden, om vi begränsar oss till 'asymptotiskt' oberoende modeller, vi kan underskatta deras beroendestyrka. "
Bygga på deras senaste arbete, Huser och Wadsworth har utvecklat ett integrerat statistiskt tillvägagångssätt som eliminerar dessa gissningar genom att kombinera dessa olika rumsliga beroendemodeller på ett smidigt kontinuum.
"Vår statistiska modell övergår smidigt mellan asymptotiskt beroende och oberoende i det inre av parameterutrymmet, "förklarar Huser, "vilket underlättar mycket statistisk slutsats och är mer allmänt än andra modeller, som täcker en annan klass av statistiska modeller med tillämpning på ett bredare spektrum av scenarier. "
Forskarna tillämpade modelleringsschemat för vinterobservationer av extrem våghöjd i Nordsjön, som befanns i en tidigare studie ha en hög grad av oklarhet i sin beroendeklass. Modellen visade sig vara mycket effektiv i hanteringen av data, redogör för fallet där det finns ett starkt rumsligt beroende men också starka bevis på asymptotisk oberoende.
"Vår nya statistiska modell överbryggar dessa två vanligtvis olika möjligheter, och avgörande, att lära sig om beroendetyp blir en del av slutsatsprocessen, "säger Wadsworth." Det betyder att modellen kan monteras utan att behöva välja lämplig beroendeklass i förväg, samtidigt som den är flexibel och enkel att använda. "
