Door een klassiek statistisch model te generaliseren en aan te passen voor gebruik bij het analyseren van extreme regenval in grote datasets, onderzoekers, waaronder Raphaël Huser van KAUST, hebben een efficiënter en flexibeler analyse-instrument ontwikkeld dat belooft de voorspelling van overstromingsrisico's en andere extreme weersverschijnselen te verbeteren.

Zeldzame extreme weersomstandigheden, zoals overstromingen, extreme wind, hoge temperaturen en droogte, kan verwoestend zijn, maar het voorspellen van de frequentie en ernst van dergelijke aandoeningen blijft een van de belangrijkste uitdagingen in de statistische wetenschap. zelfs grote, lange termijn datasets over uitgestrekte gebieden kunnen zeer weinig extreme gebeurtenissen bevatten, waardoor het buitengewoon moeilijk is om toekomstige gebeurtenissen nauwkeurig te voorspellen.

"Er zijn klassiek twee manieren om extreme gebeurtenissen te modelleren, de 'blokmaximum'-benadering, waarbij we kijken naar de grootste gebeurtenissen in tijdsblokken en de 'drempeloverschrijding'-benadering, die de bovenste paar procent van de gebeurtenissen selecteert over het hele tijdsbestek van de dataset, " legt Huser uit, die het werk op zich nam in samenwerking met de in de VS gevestigde collega's Gregory Bopp en Benjamin Shaby. "Eerder werk heeft nieuwe hulpmiddelen ontwikkeld om de drempeloverschrijdingsbenadering toe te passen; in deze studie hebben we een klassiek blokmaximummodel gegeneraliseerd voor toepassing op extreme neerslag."

De blokmaximale benadering heeft een lange traditie in de statistiek van uitersten, maar het heeft hoge rekenkosten die de toepassing ervan beperken tot de grootschalige datasets die nu routinematig worden verkregen bij weersvoorspelling. Deze benadering is ook niet in staat om de waargenomen verzwakking van de afhankelijkheid tussen nabijgelegen omstandigheden vast te leggen naarmate de gebeurtenissen extremer worden.

De aanpak van het team lost beide tekortkomingen op door een relatief inflexibele, maar rekenkundig efficiënt, max-stable model met behulp van Bayesiaanse gevolgtrekking, dat is een statistische schattingsbenadering die een natuurlijke manier biedt om de mening van deskundigen op te nemen en rekening te houden met verschillende bronnen van variabiliteit.

"Ons Bayesiaanse model heeft veel parameters en verborgen willekeurige effecten, die gezamenlijk moeten worden geschat, " zegt Huser. "Voorbij de rekenkundige uitdaging, het eenvoudig ontwikkelen van het model zelf en het afleiden van de theoretische eigenschappen ervan was een grote uitdaging. Er is een reden waarom klassieke max-stable modellen lange tijd op grote schaal worden gebruikt - het is niet eenvoudig om ze te generaliseren en met meer realistische en flexibele modellen te komen."

Het model was in staat om de waargenomen patronen vast te leggen in extreme neerslaggebeurtenissen die plaatsvinden langs de kust- en bergketengrenzen in Noordoost-Amerika, waarmee het potentieel voor het voorspellen van overstromingsrisico's wordt aangetoond.

"Ons model kan ook gemakkelijk worden aangepast aan andere soorten milieudatasets, zoals wind en temperatuur, waardoor het een zeer brede toepasbaarheid heeft, " merkt Husser op.