Bằng việc tích hợp các mô hình thống kê riêng biệt trước đây vào một mô hình đơn, Giáo sư Raphaël Huser từ Đại học KAUST và Tiến sỹ Jennifer Wadsworth từ Đại học Lancaster ở Anh đã thực hiện một số phỏng đoán về mô hình hóa các hiện tượng thời tiết cực đoan. Điều này có thể cải thiện việc dự đoán về các hiện tượng thời tiết trong tương lai.
Mô hình về tần suất và mức độ của các hiện tượng thời tiết cực đoan như mưa lớn, gió mạnh và sóng nhiệt giải thích cho việc các trạm quan sát gần đó có mối tương quan về mặt không gian. Tức là mưa lớn tại một trạm quan sát thường kéo theo mưa lớn tại khu vực gần đó.
Tuy nhiên, khi mức độ nghiêm trọng của hiện tượng tăng lên, mối tương quan về mặt không gian này có thể bị suy yếu – cường độ mưa sẽ cao hơn, khả năng xảy ra mưa trên diện rộng ít hơn. Thậm chí một số hiện tượng thời tiết cực đoan hoàn toàn có thể được định vị xung quanh một trạm quan sát mà không có mối tương quan nào với các trạm lân cận.
Việc quyết định liệu sự phụ thuộc có thay đổi theo cường độ và thay đổi ở mức độ nào, là một bước quan trọng trong việc lựa chọn mô hình thống kê. Đối với việc dự báo thiên tai và thời tiết, sự không phù hợp giữa việc lựa chọn mô hình và tính ẩn của dữ liệu có thể làm suy yếu độ chính xác của các dự đoán.
“Thường rất phổ biến với tốc độ gió hoặc lượng mưa rằng sự phụ thuộc theo không gian sẽ yếu đi khi các hiện tượng thời tiết trở lên khắc nghiệt hơn và biến mất” Huser giải thích. “Nếu chúng ta hạn chế bản thân với các mô hình tiệm cận phụ thuộc, chúng ta có thể đã đánh giá quá cao mức độ phụ thuộc theo không gian của những hiện tượng. Trong khi đó, nếu chúng ta hạn chế bản thân với các mô hình tiệm cận độc lập, chúng ta có thể đánh giá thấp mức độ phụ thuộc của chúng”.
Từ các nghiên cứu gần đây, Huser và Wadsworth đã phát triển một phương pháp thống kê tổng hợp giúp loại bỏ các phỏng đoán bằng cách kết hợp các mô hình phụ thuộc theo không gian trên một miền liên tục.
“Mô hình thống kê của chúng tôi chuyển đổi một cách trơn tru giữa sự phụ thuộc tiệm cận và độc lập tiệm cận trong nội hàm của không gian tham số” Huser giải thích. “Điều này tạo điều kiện thuận lợi cho suy luận thống kê và có tính tổng quát hơn so với các mô hình khác, bao gồm một lớp khác của mô hình thống kê với các ứng dụng rộng hơn”.
Các nhà nghiên cứu đã áp dụng mô hình này cho các quan sát vào mùa đông và đo chiều cao sóng cực đoan ở Biển Bắc. Sau đó so sánh với kết quả các các nghiên cứu trước đây để có mức độ mơ hồ cao trong lớp phụ thuộc của nó. Mô hình này tỏ ra hiệu quả trong việc xử lý dữ liệu và giải thích cho trường hợp có sự phụ thuộc theo không gian mạnh mẽ nhưng vẫn có bằng chứng rõ ràng về sự độc lập tiệm cận.
Wadsworth cho biết: “Mô hình thống kê mới của chúng tôi kết nối hai khả năng khác biệt và quan trọng, tìm hiểu về loại phụ thuộc trở thành một phần của quá trình suy luận. “Nghĩa là mô hình này có thể phù hợp mà không cần phải chọn lớp phụ thuộc thích hợp trước, chúng linh hoạt và dễ sử dụng hơn”.
Phạm Hạnh (dịch)
Nguồn: https://phys.org/news/2018-02-statistics-weather-extremes.html