Milieugegevens modelleren, zoals regionale windsnelheid of temperatuur, is een ingewikkelde aangelegenheid. Om gegevens statistisch te modelleren, zijn significante aannames nodig over het gedrag ervan in tijd en ruimte, maar om tot die aannames te komen, is inzicht in de gegevens vereist dat over het algemeen alleen door modellering kan worden verkregen. Het is een catch-22 die een groot obstakel vormt voor vooruitgang in grootschalige milieu- en klimaatmodellering, vooral voor extreme gebeurtenissen.

KAUST-onderzoeker Raphaël Huser, in samenwerking met collega's uit Frankrijk en Zwitserland, heeft nu een modelleringsraamwerk ontwikkeld waarmee de gegevens hun eigen gedrag rond extreme gebeurtenissen kunnen definiëren zonder de noodzaak van beperkende vooraf bepaalde aannames.

"Milieu-extremen, zoals extreme windstoten, overstromingen, of hittegolven, zijn vaak ruimtelijk afhankelijk, " legt Huser uit. "Dat wil zeggen, twee aangrenzende meetstations kunnen, en vaak doen, tegelijkertijd extreme gebeurtenissen meemaken. Maar stabiliseert of verzwakt deze afhankelijkheid naarmate de gebeurtenis extremer wordt? Klassieke statistische modellen vereisen dat de aard van deze extreme afhankelijkheid wordt gedefinieerd vóór het modelleren, maar omdat extreme gebeurtenissen schaars zijn, het kan heel moeilijk, zo niet onmogelijk zijn om de afhankelijkheidsklasse van tevoren correct te raden."

Klassieke statistische modellen die rekening houden met extreme gebeurtenissen staan ​​bekend als asymptotische modellen. De keuze van het type asymptotische extreme afhankelijkheid bepaalt hoe het model extrapoleert naar gebeurtenissen die nog extremer zijn dan die in de gegevens. Het komt gebundeld met andere impliciete veronderstellingen die niet altijd realistisch zijn voor het milieu, met als gevolg dat dergelijke modellen de waarschijnlijkheid van toekomstige extreme gebeurtenissen onjuist kunnen inschatten.

"We hebben een reeks flexibele geostatistische 'subasymptotische' modellen ontwikkeld met behulp van een algemene Gauss-basis die beide soorten asymptotische afhankelijkheid vastlegt, ", zegt Huser. "Onze modellen zijn flexibeler en gebruiksvriendelijker, vooral voor hoger-dimensionale gegevens verzameld op veel meetstations."

Door simulaties van gemeten windsnelheden, Het team van Huser toonde aan dat hun mengselsmodel op Gauss-schaal het type extreme afhankelijkheid nauwkeurig kan schatten. Het presteert ook beter dan andere typische modellen over een reeks prestatiestatistieken met een goede pasvorm voor de gegevens en een meer realistische ruimtelijke voorspelling van extreme windsnelheden op niet-waargenomen locaties.

"Het belangrijkste resultaat van ons werk is dat we de asymptotische afhankelijkheidsklasse niet langer van tevoren hoeven vast te stellen, maar de gegevens voor zichzelf kunnen laten spreken, ", zegt Huser. "Dit model is toepasbaar op een breed scala aan milieugegevens en zal onze modellering en voorspelling van extreme gebeurtenissen helpen verbeteren."