Une approche diviser pour mieux régner, combiné avec un peu de gymnastique mathématique, a aidé les chercheurs de la KAUST, Ying Sun et Yuxiao Li, à proposer un schéma statistique rapide et flexible pour améliorer la précision de la modélisation du changement climatique.

« Les statisticiens tentent d'éviter les hypothèses irréalistes afin d'estimer plus précisément les processus environnementaux, " dit Li, un doctorat étudiant dans l'équipe de recherche de Sun. "La motivation derrière notre étude était d'améliorer la façon dont la non-stationnarité spatiale est prise en compte dans la modélisation du climat sur une zone vaste et géographiquement complexe."

La non-stationnarité se produit lorsque les statistiques d'un paramètre observé, comme la température ou les précipitations, varie dans le temps ou dans l'espace. Dans ce cas, Li et Sun ont examiné les statistiques qui décrivent comment les mesures à deux endroits différents changent dans l'espace. Comprendre et caractériser avec précision cette covariance est essentiel pour prédire le temps et pour traduire ou réduire la modélisation du climat mondial qui est effectuée à des échelles très grossières pour pouvoir prédire les effets locaux à des échelles plus fines.

"Nous pouvons penser à la covariance spatiale comme à la façon dont les observations sont corrélées les unes avec les autres dans l'espace, ou en tant que modèles spatiaux, " explique Li. " Pour les données environnementales, le schéma de corrélation spatiale au-dessus de la terre est différent de celui au-dessus de l'océan. Parce que le modèle de corrélation n'est pas exactement le même partout, nous devons réfléchir à la manière de représenter cette non-stationnarité."

La non-stationnarité a été traitée précédemment par des approches complexes et intensives en calculs basées sur la convolution, couplé avec des approximations basées sur des hypothèses de stationnarité locale à une taille de grille arbitraire. Sun et Li ont développé une approche informatique efficace qui améliore considérablement la précision de l'approximation.

"Le défi de la modélisation non stationnaire est le compromis entre précision et efficacité, " dit Li. "Nous avons étendu le modèle stationnaire local, ce qui est efficace mais pas précis, à un modèle non stationnaire local variant linéairement en divisant la région spatiale et en estimant les fonctions de covariance pour chaque sous-région. Cela nous permet de décrire des caractéristiques non stationnaires plus compliquées, ce qui améliore la précision tout en étant rapide à calculer."

Les chercheurs espèrent améliorer considérablement la réduction d'échelle de la modélisation climatique grâce à cette approche, ce qui évite les hypothèses irréalistes et peut estimer différents types de non-stationnarité spatiale à une échelle spatiale plus fine. Ils ont démontré l'efficacité et l'amélioration de la précision de leur schéma en simulant les précipitations à haute résolution spatiale sur une grande région. L'approche se prête également à l'interpolation des processus environnementaux à des endroits non observés.

"Comme notre méthode est basée sur des hypothèses plus réalistes, les analyses utilisant cette approche peuvent aider les scientifiques à mieux comprendre le temps et le climat, " dit Li.