Generiranje scenarija za ekstremne događaje

Inženjeri s MIT-a razvili su alat koji generira realistične ekstremne događaje i najgore scenarije. Njihova metoda ne mora znati o prethodnim ekstremnim događajima kako bi generirala realistične, buduće ekstremne događaje.

Može li gradski obalni zid izdržati oluju velike jačine? Hoće li regionalna elektroenergetska mreža izdržati rekordne vrućine? I mogu li gradski protupožarni resursi obuzdati veliki šumski požar?

Takve ekstremne događaje je notorno teško predvidjeti. Po svojoj prirodi, oni su izvanredni. U povijesti vođenja evidencije, ekstremni događaji su sporadični i rijetki. Pa ipak, većina metoda koje procjenjuju rizik regije ovisi o ekstremnim događajima iz prošlosti kako bi se okarakterizirali još ekstremniji, najgori scenariji u budućnosti.

Inženjeri s MIT-a razvili su alat koji generira vjerojatne ekstremne događaje i najgore scenarije te mapira njihove karakteristike, poput vjerojatnog trajanja, intenziteta i područja utjecaja ekstremne oluje. Ključ njihove metode je u tome što ne treba znati o prethodnim ekstremnim događajima kako bi generirala vjerojatne buduće ekstremne događaje.

Umjesto toga, metoda, u obliku algoritma strojnog učenja, uči iz skupa podataka, kao što su dnevni vremenski zapisi i karte regije. Ovaj zapis može, ali i ne mora sadržavati prošla ekstremna odstupanja, poput rekordnih vrućina ili kiše. Algoritam tima koristi statistički pristup za učenje iz dostupnih podataka kako bi isključio nevjerojatne vremenske scenarije.

Metoda zatim generira vjerojatne ekstremne događaje koji se vjerojatno događaju u regiji s određenom učestalošću (npr. jednom svakih 100 godina) i projicira kako bi ti ekstremni događaji mogli izgledati u smislu njihove veličine, intenziteta i trajanja.

„Pokušavamo modelirati ekstremne, neviđene događaje koje nitko prije nije vidio, koji nisu u skupu podataka“, kaže Kai Chang, diplomirani student strojarstva na MIT-u i suradnik MIT Centra za računalnu znanost i inženjerstvo.

„Događaj poput uragana Katrina događa se svakih 30 do 40 godina“, dodaje Themis Sapsis, profesor strojarstva i oceanskog inženjerstva na MIT-u, glavni član Centra za računalnu znanost i inženjerstvo i pridruženi član MIT-ovog instituta za podatke, sustave i društvo. „Kakva će biti Katrina koja se događa svakih 100 godina? Koliko će biti loša? To je upravo ono što pokušavamo kvantificirati kako bismo pomogli planerima da se pripreme za vjerojatne ekstremne scenarije.“

Osim vremenskih događaja, pristup, koji je tim nazvao Svjesnost ekstremnih događaja ili „η-učenje“, može se primijeniti i na druga područja, poput robotske navigacije i financijskih tržišta.

Sapsis i Chang detaljno opisuju svoju novu metodu u radu otvorenog pristupa koji se pojavio 20. kolovoza u časopisu Nature Communications.

Novi algoritam tima generira uvjerljive, neviđene ekstremne scenarije, bez potrebe za učenjem na prethodnim podacima o ekstremnim događajima. Da bi to učinio, algoritam kombinira i uči statistiku, ili vjerojatnosti, o odnosima između dvije vrste podataka: 'točkaste statistike' i 'prostornih karata'.

Kako bi to demonstrirali, istraživači su primijenili metodu za generiranje karata budućih ekstremnih oborinskih događaja nad kontinentalnim dijelom Sjedinjenih Država. Istraživači su započeli s 25 godina karata oborina svakih sat vremena, koje su objedinili u dnevne karte. Iz cijelog zapisa izračunali su statistiku točaka koja opisuje koliko često maksimalna količina oborina na karti doseže određenu razinu.

Zatim su algoritam trenirali na uparenim prostornim kartama niske i visoke rezolucije iz samo prvih šest mjeseci zapisa, koje su sadržavale malo ili nimalo primjera najekstremnijih razina oborina.

Iz tih podataka, algoritam je naučio kako uzorci na kartama niske rezolucije odgovaraju detaljnim kartama oborina visoke rezolucije. Zatim je koristio statistiku točaka kako bi ograničio ekstremne količine oborina prikazane na tim kartama.

Ova kombinacija omogućuje algoritmu generiranje vjerojatnih prostornih uzoraka za događaje ekstremnije od onih predstavljenih u podacima za obuku - na primjer, moguće lokacije, veličine i intenziteti kišnih događaja koji se događaju jednom u stoljeću s maksimalno 300 milimetara.

Korisnik može potaknuti obučeni algoritam pitanjem poput: „Kako bi mogla izgledati oluja kakva se događa jednom u stoljeću u New Yorku?“ Algoritam zatim generira karte statistički vjerojatnih oluja koje će se vjerojatno pojaviti s tom učestalošću, uključujući karakteristike poput veličine oluje, područja pokrivenosti i intenziteta oborina.