Многодневные ливни: как динамика учит статистику не терять последовательность ✛

Оригинал: "Modeling Multiday Extreme Precipitation Across Eastern Australia: A Dynamical Perspective"
arXiv:2403.10139 · 2024-03-15 · CC BY 4.0 · 3 мин
Новый метод из теории динамических систем позволяет точнее оценивать повторяемость и силу многодневных экстремальных осадков на востоке Австралии.

В феврале 2022 года на восточное побережье Австралии обрушились дожди, которые шли несколько дней подряд. Вода залила города Квинсленда и Нового Южного Уэльса, страховые компании выплатили 3,35 миллиарда долларов, и это наводнение стало самым дорогим в истории страны. Метеорологи давно умеют оценивать вероятность одного очень дождливого дня, но когда ливень растягивается на двое или трое суток, привычные расчёты начинают врать. Статистика смотрит на каждый день отдельно и не замечает, что дождливые дни идут цепочкой, как вагоны одного поезда.

Классический подход похож на человека, который считает пассажиров в поезде, но смотрит только в одно окно каждого вагона. Если вагоны сцеплены, он видит лишь отдельных людей, а не то, что они едут вместе. Для наводнения важна именно сцепленность: три дня умеренного дождя могут затопить город сильнее, чем один день ливня.

Авторы новой работы решили перенять у динамических систем умение видеть цепочку целиком. Они взяли данные о ежедневных осадках с 454 метеостанций восточной Австралии за 1984–2021 годы и построили для каждой станции скользящий минимум по окну в несколько дней. Если окно длиной три дня, то для каждого дня берётся самый слабый дождь из него и двух следующих. Такой приём сцепляет дни между собой: если осадки идут подряд, минимум за окно будет высоким, а если дождь одиночный, то минимум упадёт. Затем к этим минимумам применили стандартную статистику экстремумов, но с одной важной поправкой.

Поправка пришла из недавней теоремы о max-стабильности. Она говорит, что форма распределения максимумов не должна меняться, когда мы увеличиваем окно. На практике это работает как проверка на честность: если форма начинает плыть, значит, в расчёты вкралась численная ошибка. Авторы вычислили, что для окна в три дня относительная ошибка формы составляет 52,26%, и это ещё приемлемо, а дальше данные становятся слишком скудными. Такой контроль невидим для стандартных методов и позволяет не принять артефакт за физическую закономерность.

Оказалось, что экстремальный индекс для Брисбена равен 0,45, а это означает, что сильные дожди в среднем идут кластером из 2,25 дней. Наблюдения за наводнением 2022 года подтверждают эту цифру: вода прибывала несколько суток подряд.

Модель также учла, что климат восточной Австралии не одинаков. В неё добавили Южный осцилляционный индекс (показатель фазы Эль-Ниньо или Ла-Нинья), расстояние до побережья, широту и долготу. Выяснилось, что влияние Эль-Ниньо на трёхдневные экстремумы вдвое сильнее, чем на однодневные, и особенно заметно во внутренних районах. Например, на станции Karange Model Farm вероятность трёхдневного экстремума возрастает на 4,3% при переходе от Эль-Ниньо к Ла-Нинья, тогда как на побережье рост составляет всего 1–1,5%.

Так статистика, которая раньше разрывала цепочку дождливых дней, научилась видеть её целиком. Метод можно перенести на другие регионы, где максимумы осадков подчиняются тому же закону, и даже на волны тепла. Для городов, ферм и страховых компаний это означает более точные оценки риска: не «когда-нибудь будет сильный ливень», а «сколько дней подряд он может идти и с какой вероятностью».

Наводнение 2022 года в Австралии, вызванное 2–3 днями сильных дождей, нанесло страховой ущерб в 3,35 миллиарда долларов, что сделало его самым дорогим наводнением в истории страны.

Y_j = \min\{X_j, X_{j+1}, \ldots, X_{j+k-1}\}
Минимальное значение осадков за k последовательных дней, начиная с дня j
G(z) = \exp\left[-\left(1+\xi\frac{z-\mu}{\sigma}\right)^{-1/\xi}\right]
Предельное распределение максимумов, где μ — положение, σ — масштаб, ξ — форма
\theta = \frac{2\sum_{j=1}^N T_j^2}{N\sum_{j=1}^N T_j(T_j-1)}
Оценка экстремального индекса по временам ожидания между превышениями порога
Понятия
аномалия осадков ансамблевый прогноз вероятностный прогноз муссон gpcp климат климатическая модель эпидемическая модель осадки ERA5 межгодовая изменчивость динамические системы реанализ ансамблевое среднее усвоение данных апостериорное распределение вычислительная гидродинамика композитный анализ стохастическое моделирование oisst nrt