Aller aux extrêmes pour prédire les catastrophes naturelles

                                    

La prédiction des catastrophes naturelles reste l'un des problèmes les plus difficiles dans la science de la simulation parce que non seulement elles sont rares, mais aussi parce que seules quelques-unes des millions d'entrées dans les ensembles de données se rapportent à des événements extrêmes. Une méthode systématique pour comparer la précision des différents types de modèles de simulation pour de tels problèmes de prédiction a récemment été développée par un groupe de travail chez KAUST.
                                

                                       


      

"Les événements extrêmes comme les tempêtes de poussière, les sécheresses et les inondations peuvent affecter les communautés et endommager l'infrastructure", a déclaré Sabrina Vettori, doctorante étudiée par le Professeur Distingué Marc Genton et le Professeur adjoint Raphaël Huser de Mathématiques Appliquées et Sciences Informatiques. «La modélisation et la prévision des extrêmes est très difficile et nécessite des modèles flexibles, mais interprétables, avec des critères théoriques solides qui sont exponentiellement plus difficiles à satisfaire à mesure que la dimension des données augmente», explique-t-elle.

L'augmentation de la dimensionnalité ou du nombre de variables d'observation (comme la température et la vitesse du vent) augmente considérablement le pouvoir prédictif d'un modèle de simulation, mais la dextérité statistique nécessaire pour choisir et prédire correctement la combinaison de conditions conduisant à des événements extrêmes est immense.

"Nous explorons les limites de la théorie de la valeur extrême", a déclaré Genton. "L'objectif de notre travail est de mieux comprendre les performances des estimateurs existants pour la modélisation d'événements extrêmes sur de multiples variables et de développer une nouvelle méthode statistique pour une estimation non paramétrique dans des dimensions plus élevées".

Les simulations multivariées suivent généralement l'une des deux approches. Les premières sont des approches paramétriques qui configurent le modèle en utilisant un ensemble de variables pour mieux se rapprocher du comportement décrit par les données. Deuxièmement, les approches non paramétriques, qui sont des méthodes statistiques qui correspondent à une fonction aux données mais n'utilisent pas d'hypothèses ou de contraintes sous-jacentes.

Les deux approches ont des avantages et des inconvénients, et la meilleure méthode dépend de l'application ", a déclaré Huser.

"Les méthodes non paramétriques sont généralement plus souples que les méthodes paramétriques, ce qui les rend moins propices à la polarisation, mais elles sont généralement limitées à de petites dimensions", explique Huser. "Les méthodes paramétriques peuvent être appliquées à des problèmes de grande dimension supérieure, tels que les applications spatiales avec des données enregistrées sur un grand nombre de sites de surveillance, mais sont sensibles aux erreurs dans les paramètres et les hypothèses sous-jacents.

Dans leur recherche, l'équipe a développé un outil de calcul pour mettre en œuvre des méthodes non paramétriques et a mené une vaste et systématique pour comparer les performances de l'estimateur non paramétrique et paramétrique en cinq dimensions dans différents scénarios. Ces méthodes ont permis de mieux comprendre les paramètres dimensionnels plus élevés.

"Ces estimateurs peuvent être utilisés pour améliorer l'emplacement et la magnitude des événements extrêmes et pour aider à l'évaluation des risques et à l'identification des tendances et des estimations de la variabilité", a déclaré Vettori.
                                                                

                                        
                                         Explorer plus loin:
                                         Amélioration des connexions pour l'analyse spatiale
                                    

                                         Plus d'informations:
                                        Sabrina Vettori et al, une comparaison des estimateurs de la fonction de dépendance dans les extrêmes multivariés, Statistiques et informatique (2017). DOI: 10.1007 / s11222-017-9745-7
                                        

                                
                                

                                                                                                                                        

                                                     Fourni par:
                                                                                                             Université de Science et Technologie du Roi Abdullah
                                                        

                                                        
                                                                                                    

                                                   
                                        

                                    

                                    
                                    

                                                                    

Lire la suite en anglais

N'oubliez pas de voter pour cet article !
1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (Pas encore de votes)
Loading...

Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Aller à la barre d’outils