包括KAUST的Raphael Huser在内的研究人员，通过推广经典的统计模型并将其应用于分析大数据集中的极端降雨，已经设计出了一种更有效、更灵活的分析工具，可以改善对洪水风险和其他极端天气现象的预测。

 

罕见的极端天气事件，如洪水、极端风、高温和干旱，杏耀代理开户可能具有破坏性，但预测这种情况的频率和严重性仍然是统计科学的关键挑战之一。即使是覆盖广泛地区的大量长期数据集， 杏耀主管团队 ，也可能只包含极少的极端事件，这使得精确预测未来事件变得异常困难。

 

“有经典模型两种方式极端事件,块最大的方法,我们看看最大的事件的时间和阈值超过数的方法,选择前几个百分比的事件在整个时间段的数据集,”解释了溶血性尿毒综合征,在与美国合作进行工作他的同事格雷戈里·博普和本杰明·沙比。他说:“过去的工作已发展出应用超越阈值方法的新工具;在这项研究中，我们推广了一个经典的块极大值模型用于极端降水。

 

区块最大法在极端情况的统计方面有着悠久的传统，但它的计算成本很高，限制了它在大规模数据集上的应用，这些数据集现在经常用于天气预测。这种方法也无法捕捉到当事件变得更加极端时，附近条件之间的依赖性减弱的现象。

 

该团队的方法通过采用一种相对不灵活、但计算效率高、最稳定的贝叶斯推理模型，解决了这两个缺点。贝叶斯推理是一种统计估计方法，提供了一种结合专家意见和解释各种可变来源的自然方法。

 

“我们的贝叶斯模型有很多参数和隐藏的随机效应，需要共同估计，杏耀注册”Huser说。除了计算的挑战之外，简单地发展模型本身并推导其理论特性是一个主要的挑战。经典的max-stable模型被广泛使用了很长一段时间，这是有原因的——不能直接概括它们，并提出更现实和灵活的模型。”

 

该模型能够捕捉沿美国东北部海岸和山脉边界发生的极端降水事件的观测模式，显示了它预测洪水风险的潜力。

 

“我们的模型也可以很容易地适用于其他类型的环境数据集，比如风和温度，这给了它非常广泛的适用性，”Huser说。