Los ingenieros del MIT desarrollaron una herramienta de inteligencia artificial capaz de predecir fenómenos meteorológicos extremos regionales sin recurrir a datos sobre desastres registrados en el pasado. El método, desarrollado por Kai Chang y el profesor Themis Sapsis y denominado Extreme Event Aware o η-learning (eta-learning), se publicó el 20 de agosto en la revista Nature Communications. El modelo puede generar mapas y valores de probabilidad sobre eventos que no figuran en los registros históricos de una región, pero que estadísticamente podrían ocurrir.
Limitaciones de los modelos de riesgo tradicionales
Las compañías de seguros, los urbanistas y los operadores de redes suelen querer saber cómo sería una tormenta que podría ocurrir una vez cada siglo en una determinada región. Las simulaciones actuales suelen utilizar conjuntos de datos que ya contienen fenómenos extremos. Esto limita los escenarios que los modelos pueden generar. Los investigadores señalan que los métodos existentes se basan en desastres observados anteriormente en los conjuntos de datos, pero son insuficientes para medir posibles escenarios extremos que nunca han ocurrido.
Combinación de dos tipos de datos
El algoritmo desarrollado utiliza conjuntamente dos tipos principales de datos. Las estadísticas puntuales muestran con qué frecuencia aparece en el conjunto de datos un determinado nivel de intensidad, como la precipitación máxima registrada en un mapa. Los mapas espaciales reflejan cómo varía el impacto de un evento en diferentes partes de la región. Al aprender la conexión estadística entre estos dos tipos de datos, el sistema puede generar patrones espaciales correspondientes a eventos extremos que no están presentes en los datos de entrenamiento.
Registro de 25 años y prueba de entrenamiento de 6 meses
Los investigadores probaron el modelo con registros de precipitaciones del territorio continental de Estados Unidos. En el estudio, los datos horarios de precipitaciones de 25 años se convirtieron en mapas diarios y se extrajeron estadísticas puntuales. El conjunto de entrenamiento utilizado para el modelo espacial se mantuvo bastante limitado. Esta parte del algoritmo se entrenó utilizando pares de mapas de baja y alta resolución obtenidos únicamente de los primeros 6 meses del registro de 25 años. Aunque en este periodo de 6 meses no había ningún ejemplo de precipitaciones intensas, el sistema aprendió cómo se correspondían los patrones de baja resolución con los detalles de alta resolución. A continuación, generó escenarios extremos utilizando las estadísticas puntuales.
Escenarios de precipitaciones de 300 milímetros y pruebas de infraestructura
Aunque la mayor cantidad de precipitaciones medida hasta ahora en la ciudad de New York es de 200 milímetros, el nuevo método puede generar mapas estadísticamente plausibles para una tormenta de 300 milímetros que no figura en los registros de observación. Estos mapas permiten a las ciudades poner a prueba sus muros de protección costera frente a marejadas ciclónicas de niveles récord, evaluar la resiliencia de las redes eléctricas ante olas de calor prolongadas y medir la capacidad de los recursos de los bomberos para hacer frente a grandes incendios.
Sistemas globales y resiliencia
Para adaptar el modelo a un nuevo tipo de peligro, se necesitan estadísticas puntuales y datos espaciales relacionados con el ámbito correspondiente. La metodología también puede utilizarse para estudiar, además de los fenómenos meteorológicos, la navegación robótica y los colapsos repentinos de los mercados financieros.
Los investigadores señalan que los sistemas de infraestructura global están diseñados tomando como base la eficiencia y que un solo evento extremo desencadena efectos en cadena en las cadenas de suministro y los mercados energéticos en cuestión de semanas. Afirman que poder asignar una probabilidad a un evento que aún no ha ocurrido es de vital importancia para la resiliencia económica y nacional.