En intégrant des paradigmes statistiques auparavant distincts dans un schéma de modélisation unique, Raphaël Huser de KAUST et Jennifer Wadsworth de l'Université de Lancaster au Royaume-Uni ont éliminé une partie des conjectures de la modélisation des phénomènes météorologiques extrêmes. Cela pourrait grandement améliorer les prévisions d'événements extrêmes futurs.
Modéliser la fréquence et la sévérité des extrêmes météorologiques possibles, comme des pluies intenses, vents forts et vagues de chaleur, doit tenir compte du fait que les stations de surveillance à proximité sont spatialement corrélées. C'est-à-dire, de fortes pluies à une station impliquent souvent qu'il y aura des pluies aussi fortes à proximité.
Cependant, à mesure que la gravité de l'événement augmente, cette dépendance spatiale peut s'affaiblir - plus l'intensité des précipitations est élevée, par exemple, moins il est probable qu'il se produise dans une vaste région. Certains événements extrêmes peuvent même être entièrement localisés autour d'une station, sans aucune corrélation avec ceux à proximité.
Décider si la dépendance change avec l'intensité, et dans quelle mesure, est une étape cruciale dans le processus de sélection du modèle, mais est souvent difficile à déterminer. Pour ceux qui sont impliqués dans la prévision des catastrophes météorologiques, une inadéquation entre la sélection du modèle et le caractère caché des données peut sérieusement saper l'exactitude des prédictions.
"Il est très fréquent avec la vitesse du vent ou les précipitations que la dépendance spatiale s'affaiblit à mesure que les événements deviennent plus extrêmes, et finit par disparaître, " explique Huser. " Si nous nous limitons à des modèles 'asymptotiquement' dépendants, nous pourrions surestimer la force de dépendance spatiale des événements extrêmes les plus importants ; pendant ce temps, si l'on se limite à des modèles indépendants « asymptotiquement », nous pourrions sous-estimer leur force de dépendance."
Forts de leurs récents travaux, Huser et Wadsworth ont développé une approche statistique intégrée qui élimine cette conjecture en combinant ces modèles de dépendance spatiale disparates sur un continuum lisse.
"Notre modèle statistique passe en douceur entre la dépendance asymptotique et l'indépendance à l'intérieur de l'espace des paramètres, " explique Huser, "ce qui facilite grandement l'inférence statistique et est plus général que d'autres modèles, couvrant une classe différente de modèles statistiques avec une application à un plus large éventail de scénarios. »
Les chercheurs ont appliqué le schéma de modélisation aux observations hivernales de la hauteur des vagues extrêmes dans la mer du Nord, qui a été trouvé dans une étude précédente pour avoir un degré élevé d'ambiguïté dans sa classe de dépendance. Le modèle s'est avéré très efficace pour traiter les données, ce qui explique le cas où il y a une forte dépendance spatiale mais aussi de fortes preuves d'indépendance asymptotique.
"Notre nouveau modèle statistique fait le pont entre ces deux possibilités généralement distinctes, et surtout, l'apprentissage du type de dépendance fait partie du processus d'inférence, " explique Wadsworth. " Cela signifie que le modèle peut être ajusté sans avoir à sélectionner à l'avance la classe de dépendance appropriée, tout en étant flexible et facile à utiliser."
