MIT erzeugte plausible Extremereignisse ohne Daten zu Extremereignissen

Infrastrukturplaner, politische Entscheidungsträger und Versicherer müssen wissen, wie ein Jahrhundertereignis – ein Sturm, eine Hitzewelle, ein Waldbrand oder eine Überschwemmung – aussehen könnte. Historische Aufzeichnungen sind dafür ein schlechter Trainingsdatensatz: Extremereignisse sind selten, und das schlimmste Ereignis, das eine Region erlebt hat, kann immer noch milder sein als das, dem sie als Nächstes standhalten muss.

Die MIT-Ingenieure Kai Chang und Themis Sapsis entwickelten Extreme Event Aware, oder η-Learning, um plausible beispiellose Szenarien ohne Beispiele für diese Extreme zu erzeugen. Der Algorithmus lernt Beziehungen zwischen Punktstatistiken, etwa wie häufig Niederschlag einen bestimmten Wert erreicht, und räumlichen Karten, etwa wo sich ein Ereignis ausbreitet. Die Statistiken schließen unplausible Größenordnungen aus, während die Karten eine realistische Geografie liefern.

Anhand von 25 Jahren stündlicher Niederschlagskarten über die kontinentalen Vereinigten Staaten zeigte das Team, wie die Methode Tausende Realisierungen eines alle 100 Jahre auftretenden Sturms erzeugen konnte, darunter Ereignisse, die intensiver waren als alles in den Trainingsdaten. Ein Planer könnte fragen, wie ein Sturm mit 300 Millimetern in New York City aussehen könnte, und Karten seiner möglichen Größe, Ausdehnung und Intensität erhalten.

Der Ansatz kann auch plausible Überschwemmungen und Waldbrände visualisieren und könnte auf robotische Navigation und Finanzmarktkrisen anwendbar sein. Die Arbeit wurde in Nature Communications veröffentlicht; es handelt sich um eine Planungs- und Simulationsmethode, nicht um einen Beleg dafür, dass ein bestimmtes zukünftiges Ereignis eintreten wird.

Räumliche Generierung mit Punktstatistiken einschränken

Ein Modell, das nur auf vergangenen Extremen trainiert wurde, kann Planern nicht direkt ein Ereignis zeigen, das schwerwiegender ist als der historische Rekord.

Punktstatistiken liefern die Häufigkeits- und Größenordnungsbeschränkung für seltene Ereignisse, ohne dass in den Trainingsbeispielen eine passende Extremkarte erforderlich ist.

Räumliche Karten bewahren die geografischen Beziehungen, die einen erzeugten Sturm oder Waldbrand plausibel und nicht bloß groß machen.

Tausende Realisierungen ermöglichen es Planern, eine Verteilung glaubwürdiger Szenarien zu erkunden, statt auf eine einzelne Prognose zu setzen.

Wenn das Ereignis, für das Sie planen müssen, in der Geschichte fehlt, trennen Sie seine Häufigkeit von seiner räumlichen Form und erzeugen Sie Szenarien, die beide Bedingungen erfüllen, statt auf mehr Geschichte zu warten.

Die Methode gibt Gemeinden eine Möglichkeit, Deiche, Stromnetze, Brandbekämpfungsressourcen und Lieferketten gegen plausible, noch nicht beobachtete Ereignisse einem Stresstest zu unterziehen. Der Artikel stellt sie als Forschungswerkzeug dar, das sich auf Überschwemmungen, Waldbrände, Robotik und Märkte erweitern lässt; er berichtet weder über ein eingesetztes Planungssystem noch über eine gemessene Verringerung von Schäden.