ИИ MIT прогнозирует экстремальную погоду без исторических данных

Инженеры MIT создали инструмент на базе ИИ, который прогнозирует экстремальные погодные явления без обучения на исторических данных о катастрофах.

Аспирант по машиностроению Кай Чанг и профессор Темис Сапсис разработали этот инструмент. Он создаёт карты явлений, которые не встречались в исторических данных конкретного региона, но остаются статистически возможными. Каждая карта также содержит оценки вероятной продолжительности и интенсивности явления, а также отдельную оценку площади, которую оно может затронуть.

Прогнозирование экстремальных погодных явлений без исторических аналогов

Сапсис занимает должность профессора машиностроения и океанической инженерии имени Уильяма И. Коха в MIT. Оба исследователя связаны с Центром вычислительной науки и инженерии MIT, а Сапсис также работает в Институте данных, систем и общества MIT. В статье, опубликованной 20 августа в Nature Communications, исследователи описывают этот метод, получивший название Extreme Event Aware, или η-обучение, в статье.

Существующие модели оценки рисков работают иначе. Страховщики, городские планировщики и операторы энергосетей обычно хотят знать, как может выглядеть шторм, случающийся раз в сто лет, для конкретного места. Современные симуляции обычно зависят от наборов данных, которые уже содержат экстремальные явления: они изучают условия, при которых те возникли, а затем прогнозируют аналогичные закономерности на будущее.

Чанг утверждает, что такой подход ограничивает возможности подобных моделей. «Эти методы предполагают, что в наборе данных уже есть очень разрушительные явления, и создают метод либо для оценки риска таких явлений, либо для точного прогнозирования явлений, которые уже произошли», — говорит он.

Сапсис объясняет то же ограничение на примере урагана «Катрина». «Такое явление, как ураган „Катрина“, происходит раз в 30–40 лет, — добавляет он. — Каким будет аналог „Катрины“, который произойдёт раз в 100 лет? Насколько сильным он будет? Именно это мы и пытаемся количественно оценить, чтобы помочь планировщикам подготовиться к правдоподобным экстремальным сценариям».

Объединение точечной статистики с пространственными деталями

Алгоритм работает с двумя типами данных. Точечная статистика показывает, как часто в наборе данных встречается определённый уровень интенсивности, например максимальный объём осадков, зафиксированный на карте. Пространственные карты демонстрируют, как воздействие явления меняется в пределах региона.

Изучение статистической взаимосвязи между этими двумя типами данных позволяет алгоритму создавать пространственные модели явлений, выходящих за рамки всего, что представлено в обучающих данных, без необходимости в предварительных примерах именно таких экстремальных событий.

Исследователи протестировали этот подход на данных об осадках в континентальной части США. Они использовали 25 лет почасовых данных об осадках, объединённых в суточные карты, и вычислили точечную статистику, описывающую, как часто максимальный объём осадков на карте достигал определённого уровня за весь этот период.

Окно обучения пространственной модели было узким. Эту часть алгоритма обучали на парных картах низкого и высокого разрешения, взятых только из первых шести месяцев 25-летнего периода, когда было мало примеров самых сильных осадков или их не было вовсе.

Алгоритм изучил, как закономерности на картах низкого разрешения соответствуют деталям на версиях высокого разрешения, а затем применил точечную статистику за весь период, чтобы ограничить возможную степень экстремальности создаваемых моделей.

Проверка инфраструктуры на картах наихудших сценариев

Наибольший объём осадков, когда-либо зафиксированный в Нью-Йорке, составляет 200 миллиметров. Этот метод может создавать правдоподобные карты шторма, который принесёт вместо этого 300 миллиметров осадков, — уровня, которому нет соответствия в данных наблюдений.

Пользователь может попросить обученный алгоритм показать, как мог бы выглядеть шторм, случающийся раз в сто лет, для указанного города. Результат представляет собой карты статистически правдоподобных штормов с такой частотой. Каждая карта содержит собственные параметры размера и площади охвата, а интенсивность осадков также различается в разных сценариях. По словам Чанга, алгоритм способен одновременно создавать большое количество таких сценариев.

Созданные карты могут помочь городу проверить свою дамбу на устойчивость к штормовому нагону, превосходящему всё, что было зафиксировано ранее. Те же карты могут показать, выдержит ли энергосеть более длительную волну жары или смогут ли пожарные ресурсы справиться с лесным пожаром, превосходящим по масштабу любой зафиксированный ранее.

Ограничения демонстрации на текущем этапе

По словам Чанга и Сапсиса, применение метода к новой угрозе требует соответствующей точечной статистики и пространственных данных для этой конкретной угрозы. Исследователи указывают на возможные направления расширения метода после получения таких данных, например визуализацию сильных наводнений и лесных пожаров, не имеющих аналогов в исторических данных.

Сапсис отмечает, что глобальная инфраструктура оптимизирована для эффективности, поэтому в поддерживающих её системах почти не осталось резервных возможностей.

«Одно экстремальное явление за несколько недель распространяется по цепочкам поставок, энергетическим рынкам и продовольственным системам, — объясняет он. — Возможность присвоить вероятность событию, которое ещё не произошло, теперь стала вопросом национальной и экономической устойчивости».

Смотрите также: ИИ-модели Samsung Health анализируют биосигналы носимых устройств

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Посетите AI & Big Data Expo, которая пройдёт в Амстердаме, Калифорнии и Лондоне. Это масштабное мероприятие является частью TechEx и проводится одновременно с другими ведущими технологическими мероприятиями, включая Cyber Security & Cloud Expo. Нажмите здесь, чтобы узнать больше.

AI News работает при поддержке TechForge Media. Узнайте о других предстоящих мероприятиях и вебинарах в сфере корпоративных технологий здесь.