Вчені створили нову модель прогнозування екстремальних опадів у Японії

Японія, як острівна держава зі складним рельєфом і різноманітними кліматичними зонами, часто потерпає від сильних дощів і повеней.

Зі зміною клімату ці ризики зростають, адже екстремальні опади стають частішими та інтенсивнішими. Тому точне прогнозування таких подій має ключове значення для захисту інфраструктури, особливо в сільських районах.

Джерело:phys.org

Однак система метеорологічних спостережень у країні розвинена нерівномірно: більшість станцій розташована біля міст, тоді як значні території залишаються менш охопленими даними. Це ускладнює аналіз і прогнозування погодних явищ. Традиційні методи, зокрема статистичний підхід крігінгу, часто недооцінюють екстремальні значення опадів, а складні байєсівські моделі потребують великих обчислювальних ресурсів.

Щоб знайти ефективніший підхід, дослідники Осакського столичного університету — доцент Цзихуей Юань, професор Кадзуо Емура та професор Крейг Фарнем — разом із науковцем Чжичао Цзяо з Яньтайського університету проаналізували ризик екстремальних опадів на чотирьох головних островах Японії. Для цього вони використали погодинні дані про опади з 752 метеорологічних станцій за період 1981–2020 років. Результати дослідження опубліковані у журналі Journal of Hydrology: Regional Studies.

Науковці протестували кілька методів просторового прогнозування, зокрема крігінг і метод INLA-SPDE, який поєднує статистичні моделі з рівняннями частинних похідних. Результати показали, що саме INLA-SPDE дає більш стабільні та точні прогнози для екстремальних опадів, особливо при довгострокових оцінках. Модель також показала, що зони підвищеного ризику поступово розширюються з півдня на північ.

На думку авторів дослідження, новий підхід може допомогти вдосконалити карти небезпеки повеней і плани реагування на стихійні лиха. У майбутньому вчені планують включити до моделі додаткові фактори, зокрема траєкторії тайфунів і інші динамічні метеорологічні параметри. Це дозволить точніше відстежувати формування екстремальних злив і створювати детальніші прогнози для систем раннього попередження.