Modélisation des données environnementales, comme la vitesse du vent ou la température régionale, est une affaire compliquée. Pour modéliser des données statistiquement, il faut des hypothèses importantes sur leur comportement dans le temps et dans l'espace, mais arriver à ces hypothèses nécessite une compréhension des données qui ne peuvent généralement être obtenues que par modélisation. C'est un catch-22 qui présente un obstacle majeur au progrès de la modélisation environnementale et climatique à grande échelle, en particulier pour les événements extrêmes.
chercheur KAUST Raphaël Huser, en collaboration avec des collègues de France et de Suisse, a maintenant développé un cadre de modélisation qui permet aux données de définir leur propre comportement face aux événements extrêmes sans avoir besoin d'hypothèses prédéterminées restrictives.
"Les extrêmes environnementaux, telles que des rafales de vent extrêmes, inondations, ou des vagues de chaleur, sont souvent spatialement dépendants, " explique Huser. " C'est-à-dire deux stations de mesure voisines peuvent, et le font souvent, vivre des événements extrêmes simultanément. Mais cette dépendance se stabilise-t-elle ou s'affaiblit-elle à mesure que l'événement devient plus extrême ? Les modèles statistiques classiques nécessitent de définir la nature de cette dépendance extrême avant la modélisation, mais parce que les événements extrêmes sont rares, il peut être très difficile, voire impossible, de deviner correctement à l'avance la classe de dépendance."
Les modèles statistiques classiques qui tiennent compte des événements extrêmes sont appelés modèles asymptotiques. Le choix du type de dépendance extrême asymptotique détermine comment le modèle extrapole à des événements encore plus extrêmes que ceux présents dans les données. Il est associé à d'autres hypothèses implicites qui ne sont pas toujours réalistes sur le plan environnemental, avec pour résultat que de tels modèles peuvent évaluer de manière incorrecte la probabilité d'événements extrêmes futurs.
« Nous avons développé une suite de modèles géostatistiques « sous-symptotiques » flexibles utilisant une base gaussienne générale qui capture les deux types de dépendance asymptotique, " dit Huser. "Nos modèles sont plus flexibles et plus faciles à utiliser, en particulier pour les données de dimension supérieure collectées dans de nombreuses stations de surveillance. »
Grâce à des simulations de vitesses de vent mesurées, L'équipe de Huser a montré que leur modèle de mélanges à l'échelle gaussienne peut estimer avec précision le type de dépendance extrême. Il surpasse également d'autres modèles typiques sur une gamme de mesures de performance avec un bon ajustement aux données et une prédiction spatiale plus réaliste des vitesses de vent extrêmes à des endroits non observés.
"Le résultat le plus important de notre travail est que nous n'avons plus besoin de fixer la classe de dépendance asymptotique à l'avance mais pouvons laisser les données parler d'elles-mêmes, ", déclare Huser. "Ce modèle est applicable à un large éventail de données environnementales et contribuera à améliorer notre modélisation et notre prévision des événements extrêmes."
