Come capire se un modello climatico è davvero affidabile?

Immagina di osservare una mappa di temperature o di inquinamento: i valori più alti sono come picchi di onde su un mare agitato. Per studiare questi picchi, gli statistici usano i cosiddetti "campi max‑stabili", modelli che descrivono come si comportano gli eventi estremi nello spazio. Ma come verificare se il modello è adatto ai dati reali? Qui entra in gioco il test di "goodness‑of‑fit". Gli autori hanno creato una statistica basata sulla trasformata di Fourier degli indicatori di valori estremi. In pratica, trasformano la presenza o l'assenza di un picco in un segnale che può essere analizzato come un'onda radio. Quando il modello ipotizzato è corretto, il risultato segue una distribuzione gaussiana su tutta la mappa. Il problema è che la covarianza di questa distribuzione non è nota in forma chiusa. Per risolverlo, hanno introdotto il "stationary bootstrap", un metodo che genera molte versioni sintetiche del campo spaziale per stimare i valori critici del test. Simulazioni al computer confermano che la teoria funziona, e le applicazioni a dati reali di PM2.5 e temperature mostrano che il test può davvero aiutare a scegliere il modello migliore. Così, gli scienziati hanno uno strumento in più per capire se le loro previsioni climatiche sono affidabili o se hanno bisogno di aggiustamenti.

I campi max‑stabili sono la spina dorsale della teoria dei valori estremi per dati spaziali. Un campo è max‑stabile se, dopo aver preso il massimo di un numero finito di copie indipendenti del campo, la distribuzione risultante appartiene alla stessa famiglia parametrica del campo originale. Questo concetto è cruciale per modellare fenomeni come precipitazioni intense o concentrazioni di PM2.5, dove le code della distribuzione sono molto pesanti. Per valutare l’adeguatezza di un modello max‑stabile, gli autori considerano gli indicatori I(x)=1_{Z(x)>u}, dove Z(x) è il valore osservato in posizione x e u è una soglia elevata. La trasformata di Fourier di I(x) produce una funzione complessa φ(ω)=∑_x I(x) e^{-iω·x}, che cattura la struttura spettrale dei picchi. Sotto l’ipotesi nulla di correttezza del modello, il processo φ(ω) converge, per dimensione del campione crescente, a un campo gaussiano centrato con covarianza C(ω,ω'). Tuttavia, C non è disponibile in forma chiusa perché dipende dalla dipendenza spaziale del campo max‑stabile. Per aggirare questo ostacolo, si utilizza il bootstrap stationario: si suddivide il campo osservato in blocchi sovrapposti, si ricombina casualmente per generare nuovi campioni che preservano la dipendenza locale. Ripetendo il test su migliaia di bootstrap, si ottiene una distribuzione empirica dei valori della statistica, da cui si estraggono i quantili critici. Le simulazioni mostrano che la dimensione del blocco influisce sulla precisione, ma con scelte ragionevoli (es. blocchi di 10–20 km) il tasso di errore rimane sotto il 5%. L’applicazione a dati di PM2.5 di città cinesi e a serie temporali di temperatura globale ha evidenziato discrepanze tra modelli tradizionali e quelli max‑stabili, suggerendo che l’uso di questi test può guidare la selezione di modelli più robusti per la previsione di eventi estremi.