Инженеры Массачусетского технологического института (MIT) разработали инновационный инструмент на основе искусственного интеллекта, который способен прогнозировать экстремальные погодные явления без необходимости обучения на исторических данных о катастрофах. Этот инструмент был создан аспирантом механической инженерии Каем Чангом и профессором Темисом Сапсисом, и его работа была опубликована в журнале Nature Communications 20 августа.

Принципы работы нового инструмента

Разработанный инструмент, названный η-обучение (Extreme Event Aware), создает карты событий, которые не имели прецедентов в исторических данных региона, но остаются статистически возможными. Каждая карта содержит оценки вероятной продолжительности и интенсивности события, а также отдельную оценку площади, которую оно может затронуть. Существующие модели риска, как правило, работают по-другому. Страховые компании, городские планировщики и операторы энергосетей обычно стремятся понять, как может выглядеть шторм, который случается раз в столетие, для конкретного места. Текущие симуляции, как правило, зависят от наборов данных, которые уже содержат экстремальные события, изучая условия, которые их вызвали, прежде чем проецировать подобные паттерны в будущее.

Ограничения традиционных методов

Кай Чанг подчеркивает, что текущий подход создает ограничения для того, что могут показать такие модели. "Эти методы предполагают, что существуют очень разрушительные события, которые мы уже видели в наборе данных, и они строят метод для оценки риска этих событий или пытаются предсказать точно те события, которые уже произошли", — говорит он. Профессор Сапсис иллюстрирует это ограничение на примере урагана Катрина. "Событие вроде урагана Катрина происходит каждые 30-40 лет. Каков будет Катрина, который произойдет раз в 100 лет? Насколько он будет разрушительным? Именно это мы пытаемся количественно оценить, чтобы помочь планировщикам подготовиться к правдоподобным экстремальным сценариям", — добавляет он.

Алгоритм и его тестирование

Алгоритм работает с двумя типами данных. Точечная статистика фиксирует, как часто уровень интенсивности, например, максимальные осадки, достигает определенного уровня в наборе данных. Пространственные карты показывают, как воздействие события варьируется по региону. Обучение статистической взаимосвязи между этими двумя типами данных позволяет алгоритму строить пространственные паттерны для событий, выходящих за рамки всего, что было в его обучающих данных, без необходимости в предыдущих примерах таких экстремумов. Исследователи протестировали подход на данных о осадках по всей территории континентальных США. Они начали с 25 лет данных о часовых осадках, собранных в дневные карты, и вычислили точечные статистики, описывающие, как часто максимальные осадки на карте достигали определенного уровня за весь этот период. Обучение пространственной модели было узким. Они обучили эту часть алгоритма, используя пары карт низкого и высокого разрешения, полученные только за первые шесть месяцев 25-летнего периода, когда было мало или не было примеров самых сильных осадков.

Применение для тестирования инфраструктуры

Метод способен генерировать правдоподобные карты шторма, который может вызвать 300 миллиметров осадков, в то время как максимальные осадки, зарегистрированные в Нью-Йорке, составляют 200 миллиметров. Пользователь может запросить у обученного алгоритма показать, как может выглядеть шторм, который случается раз в столетие, для конкретного города. Результат представлен в виде карт, показывающих статистически правдоподобные шторма с такой частотой. Каждая карта имеет свои размеры и площадь покрытия, а интенсивность осадков варьируется по набору. Сгенерированные карты могут помочь городу протестировать свою защиту от наводнений, превышающих все зафиксированные ранее, или оценить, выдержит ли энергосеть длительную волну жары. Также карты могут показать, смогут ли ресурсы пожаротушения справиться с лесным пожаром, превышающим все известные случаи.

Ограничения и будущее метода

Применение метода к новому виду опасности требует наличия соответствующих точечных статистик и пространственных данных для конкретной опасности, отмечают Чанг и Сапсис. Они указывают на возможные расширения, как только такие данные станут доступны, например, визуализация серьезных наводнений и лесных пожаров, не имеющих аналогов в исторической записи. Профессор Сапсис подчеркивает, что глобальная инфраструктура оптимизирована для эффективности, оставляя мало резервов в поддерживаемых системах. "Единственное экстремальное событие распространяется через цепочки поставок, энергетические рынки и продовольственные системы за считанные недели", — объясняет он. "Возможность оценить вероятность события, которое еще не произошло, становится вопросом национальной и экономической устойчивости."