Инженеры MIT разработали инструмент на основе искусственного интеллекта, способный прогнозировать региональные экстремальные погодные явления без обращения к данным о стихийных бедствиях, зафиксированных в прошлом. Метод, разработанный Kai Chang и профессором Themis Sapsis и получивший название Extreme Event Aware или η-learning (eta-learning), был опубликован 20 августа в журнале Nature Communications. Модель может создавать карты и значения вероятности событий, которые отсутствуют в исторических записях региона, но статистически могут произойти.
Ограничения традиционных моделей риска
Страховые компании, городские планировщики и операторы сетей часто хотят знать, как будет выглядеть шторм, который может произойти в определённом регионе раз в сто лет. Современные симуляции обычно используют наборы данных, уже содержащие экстремальные явления. Это ограничивает сценарии, которые могут создавать модели. Исследователи отмечают, что существующие методы опираются на стихийные бедствия, ранее наблюдавшиеся в наборах данных, но недостаточно подходят для оценки возможных экстремальных сценариев, которые ещё ни разу не происходили.
Объединение двух типов данных
Разработанный алгоритм одновременно использует два основных типа данных. Точечная статистика показывает, как часто в наборе данных встречается определённый уровень интенсивности, например максимальное количество осадков, зафиксированное на карте. Пространственные карты отражают, как воздействие события меняется в разных частях региона. Система обучается статистической взаимосвязи между этими двумя типами данных и может создавать пространственные закономерности экстремальных событий, отсутствующих в обучающих данных.
25 лет записей и 6 месяцев обучения
Исследователи испытали модель на данных об осадках в континентальной части США. В рамках исследования почасовые данные об осадках за 25 лет были преобразованы в ежедневные карты, а также была рассчитана точечная статистика. При этом объём обучающих данных для пространственной модели был весьма ограничен. Эта часть алгоритма обучалась на парах карт низкого и высокого разрешения, полученных только за первые 6 месяцев из 25-летнего массива данных. Несмотря на то что за этот 6-месячный период не было ни одного примера сильных осадков, система научилась определять, как закономерности низкого разрешения соотносятся с деталями высокого разрешения. Затем с помощью точечной статистики она создала экстремальные сценарии.
Сценарии выпадения 300 миллиметров осадков и испытания инфраструктуры
Хотя максимальное количество осадков, когда-либо зарегистрированное в городе New York, составляет 200 миллиметров, новый метод позволяет создавать статистически правдоподобные карты для шторма с 300 миллиметрами осадков, отсутствующего в данных наблюдений. Эти карты позволяют городам испытывать береговые защитные сооружения на устойчивость к рекордным штормовым нагонам, оценивать способность электросетей выдерживать продолжительные волны жары и определять достаточность ресурсов пожарных служб для борьбы с крупными пожарами.
Глобальные системы и устойчивость
Для адаптации модели к новому типу опасности необходимы точечная статистика и пространственные данные по соответствующей области. Методология может применяться не только для изучения метеорологических явлений, но и для исследования роботизированной навигации и внезапных обвалов на финансовых рынках.
Исследователи отмечают, что глобальные инфраструктурные системы спроектированы с приоритетом эффективности, а одно экстремальное событие способно в течение нескольких недель вызвать цепную реакцию в цепочках поставок и на энергетических рынках. Они подчеркивают, что возможность оценить вероятность еще не произошедшего события имеет критическое значение для экономической и национальной устойчивости.