一个统计模型可以更好地刻画更大范围内极端天气的变化特征,可以帮助气候专家为与天气有关的灾难进行计划。
诸如干旱和洪灾之类的全球极端天气事件的严重性不断提高,因此人们需要信息来帮助我们更好地计划这些极端事件。尽管全球每天都记录大量的气象数据,但提取极端事件的关键信息对计算能力提出了巨大要求,并且仅限于仅在几个位置进行分析。
Raphael Huser和他的前博士后Daniela Castro-Camilo现在已经开发出一种计算效率更高的统计模型来解决这些限制。
卡斯特罗-卡米洛(Castro-Camilo)解释说:“极端天气统计数据的主要挑战之一是描述极端观测值之间的关系,例如多个位置的降雨量变化。” “目前的模型和方法只能一次处理有限数量的位置,并且不够灵活,无法捕获我们在降水数据中看到的所有不同动态。”
为了准确预测整个区域的极端天气事件的频率和强度,Castro-Camilo和Huser着重研究了依存关系,该依存关系描述了多个位置的数据相互关联的强度和方式。
卡斯特罗-卡米洛(Castro-Camilo)说:“随着事件变得更加极端,它们也趋向于减少依赖。” “这种行为已在气候数据中得到了很好的认可,但是经典的极值模型无法描述这种特征。我们的模型可以做到这一点。”
Castro-Camilo和Huser模型允许从每个测量站估算依赖关系结构,然后使用高度并行的计算方法在精细的空间网格上有效地在站之间进行插值。
Castro-Camilo说:“这项研究的主要挑战实际上是计算上的。” “幸运的是,我们可以使用KAUST的Shaheen II超级计算机,这使我们能够在几天之内获得结果,而不是使用标准计算机可能要等待的几个月。”
研究人员使用他们的新方法,对整个美国连续降雨数据中的极端事件进行了分析-总共1218个气象站,而且这种分析的规模空前。他们发现,控制极端降水事件的动力因地区而异,并且他们很清楚地确定了同时发生危险降水的特定区域。
Castro-Camilo说:“我们的方法还可以用于其他类型的气候数据,因为它是专门为解决涉及许多测量站的高维问题而开发的。”