Исследователи из MIT разработали ИИ для моделирования беспрецедентных погодных катастроф

Инженеры из Массачусетского технологического института (MIT) разработали систему искусственного интеллекта, способную моделировать масштабные погодные катастрофы без необходимости обучения на исторических записях о бедствиях.

Инструмент, созданный аспирантом Каем Чангом и Фемисом Сапсисом, профессором машиностроения и океанической инженерии имени Уильяма И. Коха, создает детальные пространственные карты статистически вероятных погодных аномалий, которые никогда не происходили в современной зарегистрированной истории. Наряду с географическими визуализациями система оценивает продолжительность, интенсивность и масштаб охвата этих гипотетических событий.

Преодоление ограничений исторических данных

Методология под названием Extreme Event Aware или η-learning была недавно опубликована в журнале Nature Communications. Оба исследователя работают в Центре вычислительных наук и инженерии MIT, при этом Сапсис также числится в Институте данных, систем и общества MIT.

Традиционные модели оценки рисков, используемые городскими планировщиками, коммунальными службами и страховым сектором, обычно прогнозируют будущие риски на основе событий, задокументированных в прошлых наблюдениях. Однако это создает серьезную «слепую зону» при попытке подготовиться к беспрецедентным аномалиям, случающимся раз в столетие.

Традиционные подходы предполагают, что катастрофические показатели уже зафиксированы в исторических данных, что ограничивает их прогностический охват. Новая модель MIT устраняет этот пробел, прогнозируя, насколько суровым может быть гипотетическое 100-летнее событие, что позволяет специалистам готовиться к вероятным наихудшим сценариям, а не только к прошлым происшествиям.

Объединение точечной статистики с пространственными паттернами

Система функционирует за счет объединения двух различных типов данных:

• Точечная статистика: показатели, отслеживающие вероятность и частоту маркеров экстремальной интенсивности по более широкому набору данных, например, максимально зафиксированное количество осадков.

• Пространственное картирование: представления высокого разрешения того, как погодные воздействия распределяются по географическому рельефу.

Сопоставляя статистическую связь между этими двумя типами вводных данных, модель синтезирует детализированные представления экстремальных событий, которые никогда не встречались в ее обучающем наборе данных.

Чтобы оценить работу системы, команда проанализировала почасовые записи об осадках за 25 лет на территории континентальной части США. Точечная статистика рассчитывалась на основе полного 25-летнего набора данных, в то время как модель пространственной генерации обучалась всего на шестимесячном интервале, в котором практически не было крупных штормов. Алгоритм успешно научился масштабировать паттерны низкого разрешения в детали высокого разрешения, используя общие статистические ограничения для моделирования экстремальных сценариев.

Стресс-тестирование критически важной инфраструктуры

Система позволяет пользователям генерировать множество вариантов суровых погодных условий для конкретного мегаполиса. Например, если исторический рекорд осадков в Нью-Йорке составляет 200 миллиметров, модель может смоделировать вероятный ливень объемом 300 миллиметров, включая его географическое распределение и интенсивность.

Подобные симуляции могут помочь инженерам и службам экстренного реагирования тестировать противопаводковые барьеры на случай беспрецедентных штормовых нагонов, оценивать устойчивость электросетей во время затяжных волн тепла и проводить стресс-тестирование планов реагирования на стихийные бедствия при катастрофических лесных пожарах.

Хотя адаптация модели к другим природным опасностям требует специфических статистических и пространственных данных, исследователи подчеркивают ее потенциал для более широкого кризисного планирования. Поскольку современная инфраструктура тесно взаимосвязана, непредвиденное экстремальное событие может спровоцировать каскадные сбои в цепочках поставок, энергосетях и производстве продуктов питания в течение нескольких недель, что делает статистическое прогнозирование необходимым для экономической и общественной устойчивости.