En généralisant un modèle statistique classique et en l'adaptant à l'analyse des extrêmes de précipitations dans de grands ensembles de données, des chercheurs, dont Raphaël Huser de KAUST, ont mis au point un outil analytique plus efficace et flexible qui promet d'améliorer la prévision des risques d'inondation et d'autres phénomènes météorologiques extrêmes.

Événements météorologiques extrêmes rares, comme les inondations, vents extrêmes, températures élevées et sécheresse, peut être dévastateur, mais prédire la fréquence et la gravité de telles conditions reste l'un des principaux défis de la science statistique. Même grand, les ensembles de données à long terme sur de vastes zones peuvent inclure très peu d'événements extrêmes, ce qui rend exceptionnellement difficile de prédire les événements futurs avec précision.

« Il existe classiquement deux manières de modéliser des événements extrêmes, l'approche 'bloc maximum', où nous examinons les événements les plus importants en blocs de temps et l'approche « dépassement de seuil », qui sélectionne le premier pourcentage d'événements sur l'ensemble de la période de l'ensemble de données, " explique Huser, qui a entrepris le travail en collaboration avec des collègues basés aux États-Unis Gregory Bopp et Benjamin Shaby. "Les travaux précédents ont développé de nouveaux outils pour appliquer l'approche de dépassement de seuil ; dans cette étude, nous avons généralisé un modèle de maximum de bloc classique pour une application aux précipitations extrêmes."

L'approche par bloc maximum a une longue tradition dans les statistiques des extrêmes, mais il a un coût de calcul élevé qui limite son application aux ensembles de données à grande échelle désormais acquis de manière routinière dans la prévision météorologique. Cette approche est également incapable de capturer l'affaiblissement observé de la dépendance entre les conditions proches à mesure que les événements deviennent plus extrêmes.

L'approche de l'équipe comble ces deux lacunes en adaptant une approche relativement rigide, mais efficace du point de vue informatique, modèle max-stable utilisant l'inférence bayésienne, qui est une approche d'estimation statistique qui fournit un moyen naturel d'incorporer l'opinion d'experts et de tenir compte de diverses sources de variabilité.

"Notre modèle bayésien a beaucoup de paramètres et d'effets aléatoires cachés, qui doivent être estimés conjointement, " dit Huser. " Au-delà du défi informatique, développer simplement le modèle lui-même et dériver ses propriétés théoriques était un défi majeur. Il y a une raison pour laquelle les modèles classiques à stabilité maximale ont été largement utilisés pendant longtemps :il n'est pas simple de les généraliser et de proposer des modèles plus réalistes et flexibles. »

Le modèle a pu capturer les modèles observés dans les événements de précipitations extrêmes se produisant le long des frontières de la côte et des chaînes de montagnes dans le nord-est de l'Amérique, démontrant son potentiel de prévision des risques d'inondation.

"Notre modèle pourrait également être facilement adapté à d'autres types de jeux de données environnementales, comme le vent et la température, lui donnant une très large applicabilité, " note Huser.