教育新闻网通过归纳经典的统计模型并使其适用于分析大型数据集中的极端降雨，包括KAUST的RaphaëlHuser在内的研究人员设计了一种更有效，更灵活的分析工具，有望改善洪水风险和其他极端天气的预测现象。
罕见的极端天气事件(例如洪水，极端风，高温和干旱)可能是灾难性的，但是预测这种情况的发生频率和严重程度仍然是统计科学中的关键挑战之一。即使是范围广泛的大型长期数据集，也可能包含很少的极端事件，这使得准确预测未来事件异常困难。
“传统上，有两种方法可以对极端事件进行建模：“最大块”方法，即我们查看时间段内最大的事件;以及“阈值超出”方法，该方法选择了整个事件框架中事件百分比最高的事件Huser解释说，他与美国同事Gregory Bopp和Benjamin Shaby共同进行了这项工作。“先前的工作已经开发出新的工具来应用阈值超过法;在这项研究中，我们推广了适用于极端降水的经典块最大模型。”
极值最大值方法在极端情况统计中具有悠久的传统，但是它具有很高的计算成本，将其应用限制在现在通常在天气预报中获取的大规模数据集上。随着事件变得更加极端，这种方法也无法捕获观察到的对附近条件之间依赖性的减弱。
团队的方法通过使用贝叶斯推理来适应相对不灵活但计算效率高，最大稳定的模型来解决这两个缺点，这是一种统计估计方法，它提供了一种自然的方式来整合专家意见并考虑各种可变性来源。
Huser说：“我们的贝叶斯模型具有很多参数和隐藏的随机效应，需要共同估算。”“除了计算上的挑战之外，简单地开发模型本身并推导其理论特性是一个重大挑战。经典的最大稳定模型已经被广泛使用了很长时间了，这是有原因的-将它们推广并提出并不容易具有更现实，更灵活的模型。”
该模型能够捕获在美国东北部沿海和山脉边界发生的极端降水事件中观察到的模式，证明了其预测洪水风险的潜力。
Huser指出：“我们的模型还可以轻松地适应其他类型的环境数据集，例如风和温度，具有广泛的适用性。”
