Новый статистический подход к обработке экологических данных позволяет самим данным определять, как моделировать экстремальные явления

Статистическое моделирование экологических данных, таких как региональная скорость ветра или температура, — сложная задача. Для этого требуются значительные предположения о поведении данных во времени и пространстве, однако для формирования этих предположений необходимо понимание данных, которое обычно можно получить только с помощью моделирования. Этот замкнутый круг создает серьезное препятствие для прогресса в крупномасштабном экологическом и климатическом моделировании, особенно для экстремальных событий.

Исследователь из KAUST Рафаэль Хюзер совместно с коллегами из Франции и Швейцарии разработал методологию моделирования, которая позволяет данным самим определять свое поведение в области экстремальных событий без необходимости в ограничивающих заранее заданных предположениях.

Классические статистические модели, учитывающие экстремальные события, известны как асимптотические модели. Выбор типа асимптотической экстремальной зависимости определяет, как модель экстраполирует на еще более экстремальные события, чем присутствующие в данных. Это связано с другими подразумеваемыми допущениями, которые не всегда реалистичны с экологической точки зрения, что может привести к некорректной оценке вероятности будущих экстремальных событий.

Команда Хюзера разработала набор гибких геостатистических «субасимптотических» моделей с использованием общей гауссовой основы, которая охватывает оба типа асимптотической зависимости. Эти модели более гибкие и простые в использовании, особенно для многомерных данных, собранных на многих станциях мониторинга.

С помощью моделирования измеренных скоростей ветра команда показала, что их модель гауссовых смесей может точно оценивать тип экстремальной зависимости. Она также превосходит другие типичные модели по ряду метрик производительности, обеспечивая хорошее соответствие данным и более реалистичный пространственный прогноз экстремальных скоростей ветра в ненаблюдаемых местах.

Ключевой результат работы заключается в том, что больше нет необходимости фиксировать класс асимптотической зависимости заранее — данные могут говорить сами за себя. Эта модель применима к широкому спектру экологических данных и поможет улучшить моделирование и прогнозирование экстремальных явлений.