Gli ingegneri del MIT hanno sviluppato uno strumento di intelligenza artificiale in grado di prevedere eventi meteorologici estremi regionali senza ricorrere ai dati relativi a disastri registrati in passato. Il metodo, sviluppato da Kai Chang e dal Prof. Themis Sapsis e denominato Extreme Event Aware o η-learning (eta-learning), è stato pubblicato il 20 agosto sulla rivista Nature Communications. Il modello è in grado di generare mappe e valori di probabilità relativi a eventi che non figurano nei precedenti archivi di una regione, ma che sono statisticamente plausibili.
I limiti dei modelli tradizionali di rischio
Le compagnie assicurative, gli urbanisti e gli operatori delle reti vogliono spesso sapere quale aspetto potrebbe avere una tempesta che si verifica una volta ogni secolo in una determinata regione. Le simulazioni attuali utilizzano generalmente set di dati che contengono già eventi estremi. Questo limita gli scenari che i modelli possono produrre. I ricercatori sottolineano che i metodi esistenti si basano su disastri osservati in precedenza nei set di dati, ma non sono sufficienti per misurare possibili scenari estremi mai verificatisi.
Integrati due tipi di dati
L’algoritmo sviluppato utilizza congiuntamente due tipi principali di dati. Le statistiche puntuali mostrano con quale frequenza un determinato livello di intensità, come la precipitazione massima registrata sulla mappa, compare nel set di dati. Le mappe spaziali riflettono invece come l’impatto di un evento varia nelle diverse parti della regione. Apprendendo il legame statistico tra questi due tipi di dati, il sistema può generare configurazioni spaziali relative a eventi estremi non presenti nei dati di addestramento.
25 anni di registrazioni e 6 mesi di addestramento
I ricercatori hanno testato il modello sui dati relativi alle precipitazioni della parte continentale degli Stati Uniti. Nello studio, 25 anni di dati orari sulle precipitazioni sono stati trasformati in mappe giornaliere e sono state ricavate le statistiche puntuali. L’ambito dei dati di addestramento utilizzati per il modello spaziale è stato invece mantenuto piuttosto limitato. Questa parte dell’algoritmo è stata addestrata utilizzando coppie di mappe a bassa e ad alta risoluzione ottenute esclusivamente dai primi 6 mesi dei 25 anni di registrazioni. Sebbene in questo periodo di 6 mesi non fosse presente alcun esempio di precipitazione intensa, il sistema ha imparato in che modo i pattern a bassa risoluzione corrispondessero ai dettagli ad alta risoluzione. Ha quindi generato scenari estremi utilizzando le statistiche puntuali.
Scenari di precipitazioni da 300 millimetri e test delle infrastrutture
Sebbene la quantità massima di precipitazioni mai misurata nella città di New York sia stata di 200 millimetri, il nuovo metodo è in grado di produrre mappe statisticamente plausibili per una tempesta da 300 millimetri, non presente nei dati osservativi. Queste mappe consentono alle città di testare le proprie barriere di protezione costiera contro mareggiate record, di valutare la resilienza delle reti elettriche a ondate di calore prolungate e di misurare l’adeguatezza delle risorse dei vigili del fuoco di fronte a grandi incendi.
Sistemi globali e resilienza
Per adattare il modello a un nuovo tipo di pericolo, sono necessarie le statistiche puntuali e i dati spaziali relativi all’ambito in questione. La metodologia può essere utilizzata per studiare, oltre agli eventi meteorologici, anche la navigazione robotica e i crolli improvvisi dei mercati finanziari.
I ricercatori sottolineano che i sistemi infrastrutturali globali sono progettati sulla base dell’efficienza e che un singolo evento estremo provoca effetti a cascata nelle catene di approvvigionamento e nei mercati dell’energia nel giro di settimane. Affermano che la possibilità di attribuire una probabilità a un evento non ancora verificatosi è di importanza cruciale per la resilienza economica e nazionale.