北京
突破传统风险模型
麻省理工学院的工程师开发出一款人工智能工具，可以在不依赖历史灾害数据训练的情况下预测极端天气。机械工程研究生Kai Chang与Themis Sapsis教授共同完成了这一工具。它能够生成一个地区历史记录中从未出现过、但在统计上仍然可能发生的事件地图。
每张地图还附带对事件可能持续时间和强度的估算，以及对可能受影响区域的独立估计。Sapsis在麻省理工学院担任William I. Koch机械与海洋工程教授。两位研究者均隶属于MIT计算科学与工程中心，Sapsis同时还在MIT数据、系统与社会研究所任职。
他们将这一方法命名为“极端事件感知”或η-learning，相关论文于8月20日发表在《自然·通讯》上。
现有模型为何不够用
保险公司、城市规划者和电网运营商通常想知道，一场百年一遇的风暴在特定地点会是什么样子。目前的模拟通常依赖已经包含极端事件的数据集，先学习产生这些事件的条件，再向外投射相似模式。
Chang认为，这种现行方法限制了模型能够展示的范围。他表示，这些方法假设数据集中已经存在非常灾难性的事件，然后构建方法来估计这些事件的风险，或者试图精确预测已经发生过的事件。
Sapsis用飓风卡特里娜来说明同样的局限。他指出，像卡特里娜这样的事件每30到40年发生一次，而每100年发生一次的卡特里娜会是什么样子，会有多严重，正是他们试图量化的内容，以帮助规划者为可信的极端情景做好准备。
算法如何工作
该算法使用两类数据。点统计捕捉某个强度水平在数据集中出现的频率，例如整张地图上记录到的最大降雨量。空间地图则显示事件影响在一个区域内的变化方式。
通过学习两者之间的统计关系，算法能够为超出训练数据范围的极端事件构建空间模式，而不需要事先获得这些精确极端事件的样本。
研究人员在美国大陆的降水数据上测试了这一方法。他们从25年的逐小时降雨数据开始，汇总成每日地图，并计算点统计，描述整段记录中地图最大降雨量达到某一水平的频率。
空间模型的训练窗口很窄。他们仅使用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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
