Door voorheen verschillende statistische paradigma's te integreren in een enkel modelleringsschema, Raphaël Huser van KAUST en Jennifer Wadsworth van de Lancaster University in het VK hebben een deel van het giswerk uit het modelleren van extreme weersomstandigheden gehaald. Dit zou de voorspellingen van toekomstige extreme gebeurtenissen aanzienlijk kunnen verbeteren.

Modellering van de frequentie en ernst van mogelijke weersextremen, zoals hevige regenval, harde wind en hittegolven, moet er rekening mee houden dat nabijgelegen meetstations ruimtelijk gecorreleerd zijn. Dat is, zware regenval op een station betekent vaak dat er in de buurt ook veel regen zal vallen.

Echter, naarmate de ernst van de gebeurtenis toeneemt, deze ruimtelijke afhankelijkheid kan verzwakken - hoe hoger de neerslagintensiteit, bijvoorbeeld, hoe kleiner de kans dat het in een groot gebied voorkomt. Sommige extreme gebeurtenissen kunnen zelfs volledig gelokaliseerd zijn rond één station, zonder enige correlatie met die in de buurt.

Beslissen of de afhankelijkheid verandert met de intensiteit, en in hoeverre, is een cruciale stap in het modelselectieproces, maar is vaak moeilijk te bepalen. Voor degenen die betrokken zijn bij het voorspellen van weersrampen, een mismatch tussen modelselectie en het verborgen karakter van de gegevens kan de nauwkeurigheid van voorspellingen ernstig ondermijnen.

"Het is heel gebruikelijk bij windsnelheden of regenval dat de ruimtelijke afhankelijkheid afneemt naarmate de gebeurtenissen extremer worden, en uiteindelijk verdwijnt, " legt Huser uit. "Als we ons beperken tot 'asymptotisch' afhankelijke modellen, we zouden de ruimtelijke afhankelijkheidssterkte van de grootste extreme gebeurtenissen kunnen overschatten; In de tussentijd, als we ons beperken tot 'asymptotisch' onafhankelijke modellen, we kunnen hun afhankelijkheidskracht onderschatten."

Voortbouwend op hun recente werk, Huser en Wadsworth hebben een geïntegreerde statistische benadering ontwikkeld die dit giswerk elimineert door deze ongelijksoortige ruimtelijke afhankelijkheidsmodellen op een soepel continuüm te combineren.

"Ons statistisch model gaat soepel over tussen asymptotische afhankelijkheid en onafhankelijkheid in het binnenste van de parameterruimte, " legt Huser uit, "wat statistische gevolgtrekking aanzienlijk vergemakkelijkt en algemener is dan andere modellen, die een andere klasse van statistische modellen bestrijken met toepassing op een breder scala aan scenario's."

De onderzoekers pasten het modelleringsschema toe op winterwaarnemingen van extreme golfhoogten in de Noordzee, die in een eerdere studie werd gevonden met een hoge mate van ambiguïteit in zijn afhankelijkheidsklasse. Het model bleek zeer effectief in het omgaan met de gegevens, rekening houdend met het geval waarin er een sterke ruimtelijke afhankelijkheid is, maar ook sterk bewijs van asymptotische onafhankelijkheid.

"Ons nieuwe statistische model overbrugt deze twee meestal verschillende mogelijkheden, en cruciaal, leren over het afhankelijkheidstype wordt onderdeel van het gevolgtrekkingsproces, ", zegt Wadsworth. "Dit betekent dat het model kan worden gemonteerd zonder vooraf de juiste afhankelijkheidsklasse te hoeven selecteren, terwijl het flexibel en gebruiksvriendelijk is."