无需极端数据生成极端事件场景

MIT News — Artificial Intelligence 新闻
extreme-events machine-learning risk-assessment simulation weather-modeling generative-model

摘要

MIT工程师开发了一种名为Extreme Event Aware的机器学习算法，该算法无需依赖历史极端数据即可生成合理的极端事件场景，有助于天气和金融等领域的风险评估。

<p>城市的海堤能否抵御一场超级风暴？一个区域能否承受破纪录的高温？一个城镇的消防资源能否控制一场重大野火？&nbsp;</p> <p>要回答这些问题，社区首先需要知道此类极端事件可能如何展开。一场野火可能蔓延多远？一场风暴可能影响多少区域？一次热浪可能持续多久？&nbsp;</p> <p>但极端事件以难以预测著称。就其本质而言，它们是异常值。在历史记录中，极端事件零星而罕见。然而，大多数评估区域风险的方法都依赖过去的极端事件来描述未来更极端、最坏情况的情景。&nbsp;</p> <p>现在，MIT工程师开发了一种工具，可以生成合理的极端事件和最坏情况情景，并绘制其特征，例如一场极端风暴可能的持续时间、强度和影响区域。他们方法的关键在于，它无需了解以往的极端事件，就能生成合理的未来极端事件。</p> <p>相反，这种方法以机器学习算法的形式，从数据集中学习，例如一个区域的每日天气记录和地图。该记录可能包含也可能不包含过去的极端偏差，例如创纪录的高温或降雨。团队的算法采用统计方法从可用数据中学习，以排除不合理的天气情景。然后，该方法生成在给定频率（例如每100年一次）下可能发生的合理极端事件，并预测这些极端事件在规模、强度和持续时间方面可能的样子。</p> <p>“我们试图建模极端、前所未有的事件，这些事件从未有人见过，不在数据集中，”MIT机械工程研究生、MIT计算科学与工程中心附属研究员Kai Chang说。</p> <p>“像卡特里娜飓风这样的事件每30到40年发生一次，”MIT机械与海洋工程William I. Koch教授、计算科学与工程中心核心成员、MIT数据、系统与社会研究所附属研究员Themis Sapsis补充道。“每100年发生一次的卡特里娜会是什么样子？它会有多糟糕？这正是我们试图量化的，以帮助规划者为合理的情景极端情景做好准备。”</p> <p>除了天气事件，这种方法——团队称之为Extreme Event Aware或“η-learning”——可以应用于其他领域，例如机器人导航和金融市场。</p> <p>“金融市场崩盘是极端事件，涉及多个不同部门的复杂组合，”Chang说。“导致市场崩盘的交互是什么？这种方法可以探索这一点。”</p> <p>Sapsis和Chang在一篇开放获取的论文中详细介绍了他们的新方法，该论文于8月20日发表在《Nature Communications》杂志上。</p> <p><strong>“比一切都更危险”</strong></p> <p>为了估计一个区域发生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问诸如“纽约市每100年一次的风暴是什么样子？”之类的问题。为此，他们使用计算机模拟，这些模拟必须在包含极端、每世纪一次事件的数据上进行训练，以学习导致这些事件的条件，并生成未来这些事件可能样子的情景。</p> <p>“这些方法假设我们在数据集中看到了非常灾难性的事件，它们建立一种方法来估计这些事件的风险，或者试图准确预测已经发生的事件，”Chang说。“我们试图看看：前所未有的极端事件是什么样子的，它们比以前发生的一切都更危险，但仍然是合理的？”</p> <p>例如，如果纽约市有记录以来最极端的降雨量测量是200毫米，那么什么样的风暴会产生更极端的300毫米测量？这种事件从未被记录过，但仍然可能是合理的。城市规划者会想知道这样的风暴会袭击哪里、覆盖多大面积以及强度如何。风暴的模拟可以帮助他们评估基础设施并规划加固。</p> <p>“我们想预测这些最坏情况情景的地图，”Sapsis说。“目前还没有方法能有效预测这些很少发生的事件。”</p> <p><strong>极端学习</strong></p> <p>团队的新算法生成合理的、前所未有的极端情景，无需在以往的极端事件数据上进行训练。为此，该算法结合并学习两类数据之间的统计或概率关系：点统计和空间地图。</p> <p>为了演示，研究人员应用该方法生成了美国大陆未来极端降水事件的地图。研究人员从25年的每小时降水地图开始，将它们合并为每日地图。从完整记录中，他们计算了点统计，描述地图上最大降雨量达到给定水平的频率。然后，他们仅用记录的前六个月（其中几乎没有或没有最极端降雨水平的示例）的低分辨率和高分辨率空间地图对来训练算法。</p> <p>从这些数据中，算法学习了低分辨率地图中的模式如何对应详细的高分辨率降水地图。然后，它使用点统计来约束这些地图中表示的降雨极端值。这种组合使算法能够生成比训练数据中表示的更极端事件的合理空间模式——例如，一场最大降雨量为300毫米的百年一遇降水事件的可能位置、大小和强度。</p> <p>用户可以通过提问来提示训练后的算法，例如，“纽约市百年一遇的风暴可能是什么样子？”然后算法生成统计上合理的风暴地图，这些风暴可能以该频率发生，包括风暴的规模、覆盖区域和降雨强度等特征。</p> <p>“有人说，‘我有兴趣建造东西以抵御每100年发生一次事件的风险，’”Chang说。“那么我们能做的就是生成数千个可能的实现，这些实现将以这种罕见的频率发生。”</p> <p>只要相关的点统计和空间数据可用，该方法可以应用于可视化其他前所未有的事件，如极端洪水和野火。</p> <p>“极端事件已成为战略问题，而不仅仅是环境问题——我们优化全球系统以提高效率，而这种效率的代价是几乎没有任何余地。一次极端事件在几周内通过供应链、能源市场和食品系统传播，”Sapsis说。“能够为一个尚未发生的事件设定概率，现在是一个国家和经济韧性的问题。”</p> <p>这项研究部分由Vannevar Bush教师奖学金和美国空军科学研究办公室支持。</p>
查看原文
查看缓存全文

缓存时间: 2026/08/25 03:48

# 无需极端数据生成极端事件场景 来源：https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824 城市的海堤能否抵御超级风暴？区域电网能否承受破纪录的高温？小镇的消防资源能否控制特大山火？ 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发展。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？ 但极端事件素来难以预测。其本质决定了它们属于异常现象。在记录历史上，极端事件零星且罕见。然而，大多数评估区域风险的方法都依赖过去的极端事件来刻画未来更极端的最坏情况场景。 如今，麻省理工学院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况场景，并绘制其特征图谱，例如极端风暴的可能持续时间、强度和影响区域。该方法的关键在于：无需了解过往极端事件，即可生成合理的未来极端事件。 相反，这种采用机器学习算法的形式，通过数据集（如某区域的每日天气记录和地图）进行学习。该记录可能包含也可能不包含过去的极端偏差，如创纪录的高温或降雨。团队的算法采用统计方法从可用数据中学习，排除不合理的天气场景。随后，该方法会生成可能在特定区域以特定频率（如每百年一次）发生的合理极端事件，并预测这些极端事件在规模、强度和持续时间上的可能表现。 “我们试图模拟的是数据集中从未出现过的、前所未见的极端事件，”麻省理工学院机械工程研究生、计算科学与工程中心成员Kai Chang表示。 “像卡特里娜飓风这样的事件大约每30到40年发生一次，”麻省理工学院机械与海洋工程William I. Koch教授、计算科学与工程中心核心成员、数据、系统与社会研究所成员Themis Sapsis补充道，“每百年一遇的卡特里娜会是什么样？它会有多严重？这正是我们试图量化的，以帮助规划者应对合理的极端场景。” 除天气事件外，该团队称为“极端事件感知”或“η-学习”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不同领域的复杂极端事件，”Chang指出，“是什么导致市场崩溃？这正是该方法可以探索的问题。” Sapsis和Chang在8月20日发表于《自然-通讯》（https://www.nature.com/articles/s41467-026-76811-x）的开放获取论文中详细阐述了这一新方法。 **“比所有已知事件风险更高”** 为评估某区域遭遇极端天气事件的风险，规划者、决策者和保险公司通常会提出诸如“纽约市百年一遇的风暴会是什么样？”之类的问题。为此，他们使用计算机模拟，而这些模拟必须在包含极端百年一遇事件的数据上进行训练，以学习导致这些事件的条件，并生成未来可能发生的场景模拟。 “这些方法假设我们在数据集中见过非常严重的事件，并在此基础上构建方法来估算这些事件的风险，或试图精确预测已发生过的事件，”Chang解释道，“我们尝试探究的是：那些比以往任何事件都更具风险、却依然合理的前所未见极端事件是什么样子？” 例如，若纽约市有记录以来的最大降雨量为200毫米，那么产生300毫米更极端降雨量的风暴会是什么样？这种事件虽从未有记录，但仍可能发生。城市规划者需要了解这种风暴可能袭击的地点、影响范围和强度。对此类风暴的模拟将有助于他们评估基础设施并规划加固方案。 “我们希望预测这些最坏情况场景的分布图，”Sapsis表示，“目前尚无有效方法能预测这种罕见事件的发生。” **极端学习** 团队的新算法无需基于过往极端事件数据训练，即可生成合理且前所未见的极端场景。为实现这一点，该算法结合并学习了两类数据之间的统计关系或概率：点统计量和空间分布图。 为展示该方法，研究人员生成了未来美国大陆极端降水事件的地图。研究人员首先收集了25年逐小时降水地图并合并为每日地图。基于完整记录，他们计算了描述地图最大降水达到特定水平频率的点统计量。随后，仅使用记录前六个月（该时段几乎或完全没有极端降水案例）的低分辨率和高分辨率空间配对地图训练算法。 通过这些数据，算法学习了低分辨率地图模式与详细高分辨率降水地图之间的对应关系，并利用点统计量约束地图中呈现的降水极值。这种结合使算法能够生成比训练数据中事件更极端的合理空间模式——例如，最大降雨量达300毫米的百年一遇事件可能的位置、范围和强度。 用户可通过类似“纽约市百年一遇风暴可能是什么样？”的问题向训练好的算法提问。算法随即生成符合该发生频率的统计合理风暴地图，包括风暴规模、覆盖范围和降水强度等特征。 “人们可以说，‘我想建造能承受百年一遇事件风险的设施，’”Chang指出，“我们能做的是生成数千种可能的情景，这些情景都将以如此罕见的频率发生。” 只要具备相关的点统计量和空间数据，该方法即可用于可视化其他前所未见事件，如特大洪水和山火。 “极端事件已成为战略性议题，而不仅是环境问题——我们已为效率优化了全球系统，而效率的代价是几乎处处缺乏冗余。单个极端事件能在数周内通过供应链、能源市场和食品系统产生连锁反应，”Sapsis强调，“能够为尚未发生的事件赋予概率，如今事关国家与经济的韧性。” 本研究部分由范内瓦·布什教职研究员基金和美国空军科学研究办公室资助。

相似文章