• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Naturen
    En skarpare bild av översvämningsrisken

    Mer flexibla statistiska modeller kan hjälpa till att förbättra förutsägelsen av extrema nederbördshändelser. Upphovsman:Philip Scalia / Alamy Stock Photo

    Genom att generalisera en klassisk statistisk modell och anpassa den för användning vid analys av extrema nederbörd i stora datamängder, forskare, inklusive KAUSTs Raphaël Huser, har tagit fram ett mer effektivt och flexibelt analysverktyg som lovar att förbättra förutsägelsen av översvämningsrisk och andra extrema väderfenomen.

    Sällsynta extrema väderhändelser, som översvämningar, extrema vindar, höga temperaturer och torka, kan vara förödande, men att förutsäga frekvensen och svårighetsgraden av sådana förhållanden är fortfarande en av de viktigaste utmaningarna inom statistikvetenskap. Även stor, långsiktiga datamängder över omfattande områden kan innehålla mycket få extrema händelser, vilket gör det exceptionellt svårt att förutsäga framtida händelser med precision.

    "Det finns klassiskt två sätt att modellera extrema händelser, "block maximalt" tillvägagångssätt, där vi tittar på de största händelserna i tidsblock och "tröskelöverskridande" -metoden, som väljer ut några få procent av händelserna över hela tidsramen för datamängden, "förklarar Huser, som åtog sig arbetet i samarbete med USA-baserade kollegor Gregory Bopp och Benjamin Shaby. "Tidigare arbete har utvecklat nya verktyg för att tillämpa tröskelöverskridande tillvägagångssätt; i denna studie generaliserade vi en klassisk block maximal modell för applicering till extrem nederbörd."

    Blockets maximala tillvägagångssätt har en lång tradition inom statistiken över ytterligheter, men den har en hög beräkningskostnad som begränsar dess tillämpning till de storskaliga datauppsättningar som nu rutinmässigt förvärvas i väderprognoser. Detta tillvägagångssätt kan inte heller fånga den observerade försvagningen av beroendet mellan förhållanden i närheten när händelserna blir mer extrema.

    Teamets tillvägagångssätt behandlar båda dessa brister genom att anpassa en relativt oflexibel, men beräkningseffektivt, maxstabil modell med Bayesiansk slutsats, som är en statistisk uppskattning som ger ett naturligt sätt att införliva expertutlåtanden och redogöra för olika variationskällor.

    "Vår Bayesianska modell har många parametrar och dolda slumpmässiga effekter, som måste uppskattas gemensamt, "säger Huser." Utöver beräkningsutmaningen, helt enkelt att utveckla själva modellen och härleda dess teoretiska egenskaper var en stor utmaning. Det finns en anledning till att klassiska maxstabila modeller har använts flitigt länge-det är inte enkelt att generalisera dem och komma med mer realistiska och flexibla modeller. "

    Modellen kunde fånga de observerade mönstren i extrema nederbördshändelser som inträffade längs kust- och bergskedjegränserna i nordöstra Amerika, visar sin potential att förutsäga översvämningsrisk.

    "Vår modell kan också enkelt anpassas till andra typer av miljödatauppsättningar, som vind och temperatur, ger den mycket bred tillämpbarhet, "konstaterar Huser.


    © Vetenskap https://sv.scienceaq.com