麻省理工学院开发极端事件生成工具，无需依赖历史极端数据

一座城市的防洪堤能否抵御超强风暴？某地区的电网能否承受破纪录的高温？消防资源能否控制大规模山火蔓延？

要回答这些问题，社区首先需要了解此类极端事件可能如何演变：山火可能蔓延多远？风暴可能影响多大范围？热浪可能持续多久？

然而，极端事件历来难以预测。从本质上看，它们属于异常值，在有记录的历史中极为罕见且零散分布。但目前大多数区域风险评估方法，都依赖过去发生的极端事件来推断未来更极端的最坏情景。

如今，麻省理工学院（MIT）的工程师开发了一种工具，能够生成合理的极端事件和最坏情景，并描绘其特征，例如极端风暴可能持续的时间、强度及影响范围。该方法的核心在于：它无需掌握以往极端事件的信息，便可生成合理的未来极端事件。

该方法以机器学习算法的形式呈现，从数据集中学习，例如某地区的日常气象记录和地图。这些记录中不一定包含极端异常情况，如破纪录的高温或降雨。研究团队的算法采用统计学方法，从现有数据中学习，排除不合理的气象情景，进而生成在某一地区以特定频率（如每百年一次）出现的合理极端事件，并预测这些事件在规模、强度和持续时间上的表现。

"我们试图模拟那些从未发生过、数据集中不存在的极端事件，"MIT机械工程系博士生、MIT计算科学与工程中心成员凯·张（Kai Chang）表示。

"像卡特里娜飓风这样的事件，大约每30至40年才发生一次，"MIT机械与海洋工程系威廉·I·科赫教授、计算科学与工程中心核心成员、MIT数据、系统与社会研究所成员提米斯·萨普西斯（Themis Sapsis）补充说，"那么每100年一遇的'卡特里娜'会是什么样？破坏力有多强？这正是我们试图量化的内容，以帮助规划者为合理的极端情景做好准备。"

除气象事件外，这一被研究团队命名为"极端事件感知"（Extreme Event Aware）或"η学习"（η-learning）的方法，还可应用于机器人导航、金融市场等其他领域。

"金融市场崩溃是涉及多个行业相互作用的复杂极端事件，"张说，"究竟是什么样的相互作用导致了市场崩溃？这正是该方法可以探索的问题。"

萨普西斯和张在一篇开放获取论文中详细介绍了这一新方法，论文已于8月20日发表在《自然·通讯》（Nature Communications）期刊上。

比一切已知风险都更危险

为评估某地区遭遇极端天气事件的风险，规划者、政策制定者和保险公司通常会提出这样的问题："纽约市每百年一遇的风暴会是什么样的？"为寻找答案，他们使用的计算机模拟必须以包含百年一遇极端事件的数据为基础进行训练，以学习这些事件发生前的条件，并生成未来可能发生的情景。

"这些方法假设数据集中存在极其严重的灾难性事件，并以此建立模型，或用来估算这些事件的风险，或用来预测历史上发生过的事件，"张说，"而我们想探索的是：那些比以往任何事件都更危险、却仍然合理的前所未有的极端事件，究竟会是什么样子？"

举例来说，如果纽约市有史以来记录的最大降雨量为200毫米，那么能产生300毫米这一更极端数值的风暴会是什么样的？这类事件从未有过记录，但在现实中仍有可能发生。城市规划者需要了解这场风暴会袭击哪里、覆盖多大范围、强度如何，从而评估基础设施状况并制定强化方案。

"我们希望预测这些最坏情景的地图，"萨普西斯说，"目前没有任何方法能高效地预测这些低频极端事件。"

极端事件学习

研究团队开发的新算法无需依赖历史极端事件数据进行训练，即可生成合理的、前所未有的极端情景。为此，算法将两类数据的统计规律（即概率关系）结合起来加以学习：点统计数据和空间地图。

研究人员以美国大陆未来极端降水事件地图的生成为例，展示了该方法的应用。他们首先汇集了25年的逐小时降水地图，并将其整合为日均地图。基于完整记录，他们计算了点统计数据，描述某张地图上最大降雨量达到特定水平的频率。随后，他们仅用记录中前六个月的低分辨率与高分辨率空间地图对配对数据进行训练，这部分数据几乎不包含最极端降雨水平的案例。

通过这些数据，算法学会了低分辨率地图中的模式如何对应高分辨率降水地图中的细节。随后，算法利用点统计数据约束地图中的降雨极值，从而生成超出训练数据范围的极端事件的合理空间分布，例如最大降雨量达300毫米的百年一遇降水事件的可能地点、规模和强度。

用户可以向训练好的算法提出这样的问题："纽约市百年一遇的风暴可能是什么样的？"算法随即生成该频率下统计上合理的风暴地图，包括风暴的规模、覆盖范围和降雨强度等特征。

"有人可能会说，'我希望所建设施能够承受百年一遇的极端事件'，"张说，"我们可以据此生成数千种可能发生在这一罕见频率下的情景。"

只要具备相关的点统计数据和空间数据，该方法还可用于可视化其他前所未有的极端事件，例如极端洪涝和山火。

"极端事件已经成为一个战略性问题，而不仅仅是环境问题。我们已将全球系统优化至高效运行，而这种高效的代价是几乎没有任何缓冲余地。一次极端事件可能在数周内扩散至供应链、能源市场和粮食系统，"萨普西斯表示，"能够为一件尚未发生的事件赋予概率，如今已成为国家和经济韧性的核心议题。"

本研究部分由范内瓦·布什教职研究金（Vannevar Bush Faculty Fellowship）及美国空军科学研究办公室提供支持。

Q&A

Q1：η-learning方法是什么？它是如何生成极端事件情景的？

A：η-learning（极端事件感知）是MIT开发的一种机器学习算法，其核心特点是无需依赖历史极端事件数据，即可生成合理的极端事件情景。该方法通过学习两类数据的统计规律——点统计数据（如特定降雨量的出现频率）和空间地图——来生成超出历史记录范围的极端事件预测，包括事件的规模、强度和持续时间等特征。

Q2：η-learning方法和传统极端事件预测方法有什么区别？

A：传统方法需要数据集中包含大量历史极端事件，才能学习这些事件发生前的条件并生成预测。而η-learning无需历史极端事件数据，通过统计方法从常规数据中学习，能够生成比历史上任何已记录事件都更极端、但仍属合理的未来情景，突破了传统方法对历史数据的依赖。

Q3：η-learning除了预测气象灾害，还能用在哪些领域？

A：除气象领域外，η-learning还可应用于机器人导航和金融市场等领域。例如，金融市场崩溃是涉及多个行业复杂相互作用的极端事件，该方法可以探索哪些因素组合可能导致市场崩溃。只要具备相关的点统计数据和空间数据，该方法还可用于极端洪涝、山火等其他类型极端事件的预测与可视化。