新方法打破传统风险模型限制

麻省理工学院的工程师团队开发出一款人工智能工具，能够在没有历史灾害数据训练的情况下预测极端天气。该工具由机械工程研究生Kai Chang和机械与海洋工程教授Themis Sapsis共同研发，可生成某地区历史记录中未曾出现、但统计上仍有可能发生的极端事件地图。

打开网易新闻 查看精彩图片

每张地图还附带对事件可能持续时间和强度的估算，以及受影响区域的独立评估。Sapsis在麻省理工学院担任William I. Koch机械与海洋工程讲席教授，两人均隶属于该校计算科学与工程中心，Sapsis同时还在数据、系统与社会研究所任职。

这项名为“极端事件感知”或η-learning的方法，已于8月20日发表在《自然·通讯》期刊上。

现有模型依赖历史极端事件数据

保险公司、城市规划者和电网运营商通常希望了解某地百年一遇风暴的具体样貌。目前的主流模拟方法依赖已包含极端事件的数据集，先学习产生这些事件的条件，再据此推算类似模式。

Chang指出，这种思路限制了模型能够展示的范围。他表示，现有方法假设数据集中已经存在非常灾难性的事件，然后构建方法来估算这些事件的风险，或试图精确预测已经发生过的事件。

Sapsis以飓风卡特里娜为例说明这一局限。他提到，像卡特里娜这样的事件每30到40年发生一次，而团队想要量化的是每100年才可能出现的卡特里娜会有多严重，以帮助规划者应对可信的极端情景。

两类数据训练出超范围预测能力

该算法使用两种类型的数据。点统计数据记录数据集中某一强度水平出现的频率，例如整张地图上记录到的最大降雨量。空间地图则展示事件影响在区域内的变化方式。

通过学习两者之间的统计关系，算法能够为训练数据中从未出现过的极端事件构建空间模式，无需事先获得这些精确极端事件的样本。

研究团队在美国大陆的降水数据上测试了这一方法。他们使用25年的逐小时降雨数据，汇总成每日地图，并计算点统计数据，描述整个记录期间地图上最大降雨量达到某一水平的频率。

空间模型的训练窗口非常窄。团队仅使用25年记录中前六个月的成对低分辨率与高分辨率地图来训练这部分算法，而这段时间内几乎没有或完全没有最强降雨水平的样本。