Les prévisions météorologiques et les études climatiques modernes reposent fortement sur des simulations informatiques mettant en œuvre des modèles physiques. Ces modèles doivent faire des prédictions cohérentes à grande échelle, mais également inclure suffisamment de détails à petite échelle pour être pertinents et exploitables. Compte tenu de l'énorme complexité physique des systèmes météorologiques et du climat, simulation stochastique réaliste d'événements hydro-environnementaux dans l'espace et le temps, comme les précipitations, est un défi de taille.

Une approche statistique est une alternative naturelle pour décrire l'énorme variabilité des systèmes météorologiques et du climat. Les modèles statistiques sont plus faciles à utiliser et ne nécessitent pas de ressources de calcul massives et fournissent ainsi aux scientifiques et aux décideurs des informations opérationnelles, des outils faciles à utiliser pour étudier les problèmes urgents liés au climat. Néanmoins, les modèles statistiques font souvent des hypothèses simplificatrices.

Bien que ces hypothèses puissent rendre la tâche de modélisation plus facile, ils conduisent également à une divergence supplémentaire par rapport aux systèmes physiques qu'ils sont censés représenter. Papalexiou et al. décrivent les améliorations apportées au cadre dit de solution de modélisation stochastique complète (CoSMoS) qui introduisent une généralité considérablement accrue pour un large éventail de simulations hydroenvironnementales.

Un ajout important est la prise en charge des champs de vitesse variant dans l'espace. Ces champs de vitesse régissent le mouvement des paquets de fluide, comme l'air ou l'eau, à travers la région simulée. De tels gradients sont extrêmement courants dans la nature; la dilatation de l'air en se réchauffant, par exemple, crée un modèle de vitesse divergent vers l'extérieur. De la même manière, la rotation d'un ouragan ou d'une tornade nécessite un champ de vitesse qui se courbe dans l'espace.