Инженеры Массачусетского технологического института разработали алгоритм машинного обучения, который позволяет моделировать вероятные экстремальные природные явления. Система способна строить сценарии сильных штормов, аномальной жары, наводнений и лесных пожаров, даже если подобных случаев не было в доступных исторических данных. Разработка должна помочь оценивать риски для городской инфраструктуры, энергетики и экстренных служб.
Обычные методы прогнозирования опираются на сведения о ранее зафиксированных редких событиях. Новый подход не требует наличия в наборе данных рекордных осадков или температур, поскольку анализирует статистические закономерности в погодных наблюдениях и картах местности. Описание метода опубликовано в журнале Nature Communications.
Алгоритм получил название Extreme Event Aware, или η-learning. Он определяет, какие сценарии нельзя считать реалистичными, а затем формирует возможные варианты редких явлений с заданной частотой, например события, которое может происходить раз в 100 лет. Для каждого варианта система оценивает продолжительность, интенсивность и территорию возможного воздействия.
Для проверки технологии исследователи использовали 25-летний массив почасовых карт осадков на территории континентальной части США. Алгоритм обучали на данных лишь за первые 6 месяцев наблюдений, где почти не было наиболее сильных ливней. После этого система смогла создавать карты вероятных осадков, превышающих показатели, представленные в обучающей выборке.
Разработчики отмечают, что модель может показать, как способен выглядеть редкий шторм для конкретного города, включая площадь охвата и силу дождя. Такой расчет позволит заранее оценить устойчивость защитных сооружений и других объектов инфраструктуры. При наличии статистических и пространственных данных метод также можно применять для моделирования крупных пожаров и наводнений.
Авторы считают, что экстремальные явления затрагивают не только экологическую сферу, но и поставки, энергетику и продовольственные системы. Возможность оценить вероятность еще не наблюдавшегося события может быть важна для планирования мер защиты. Исследование частично финансировалось по программе Vannevar Bush Faculty Fellowship и Управлением научных исследований ВВС США.
