Почему три дня дождя опаснее одного ✛

Оригинал: "Modeling Multiday Extreme Precipitation Across Eastern Australia: A Dynamical Perspective"
arXiv:2403.10139 · 2024-03-15 · CC BY 4.0 · 1 мин
Учёные нашли способ точнее предсказывать многодневные ливни, которые вызывают наводнения.

В феврале 2022 года дожди на востоке Австралии шли несколько дней подряд. Города затопило, и страховые компании выплатили 3,35 миллиарда долларов, что стало рекордом для страны. Обычные методы оценки дождя смотрят на каждый день по отдельности, как будто дни не связаны друг с другом. Но для наводнения важно именно то, что дождь идёт цепочкой: три дня умеренного дождя могут затопить город сильнее, чем один день ливня.

Новый метод работает как наблюдатель, который следит за всеми вагонами поезда, а не только за одним окном. Он сцепляет дни между собой и видит, что пассажиры едут вместе.

Учёные взяли данные с 454 метеостанций за 1984–2021 годы и для каждой станции построили скользящий минимум по окну в несколько дней. Это простой приём: для каждого дня берётся самый слабый дождь из него и двух следующих. Если дожди идут подряд, минимум получается высоким, а если дождь одиночный, то минимум падает. Затем к этим минимумам применили стандартную статистику и добавили проверку на честность: форма распределения не должна меняться, когда окно увеличивается. Если форма плывёт, значит, в расчёты вкралась ошибка.

Оказалось, что в Брисбене сильные дожди в среднем идут кластером из 2,25 дней, и это совпадает с тем, что видели во время наводнения 2022 года. Метод также показал, что влияние Эль-Ниньо на трёхдневные ливни вдвое сильнее, чем на однодневные, особенно вдали от побережья. Теперь можно точнее оценивать риск наводнений для городов, ферм и страховых компаний.

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