MIT在沒有極端事件資料的情況下生成合理的極端事件

基礎設施規劃者、政策制定者與保險業者需要知道百年一遇的風暴、熱浪、野火或洪水可能長什麼樣子。歷史紀錄對這個問題而言是糟糕的訓練集：極端事件很罕見，而一個地區見過的最嚴重事件，可能仍比它接下來必須承受的事件溫和。

MIT工程師Kai Chang與Themis Sapsis打造了極端事件感知（Extreme Event Aware），又稱η-learning，用來在沒有那些極端事件範例的情況下生成合理的空前情境。該演算法學習點統計（例如降雨達到某一水準的頻率）與空間圖（例如事件蔓延的位置）之間的關係。統計排除不合理的量級，地圖則提供真實的地理分布。

團隊利用美國本土25年的逐時降水圖，展示該方法如何生成數千個百年一遇風暴的實現，其中包括強度超過訓練資料中任何事件的情形。規劃者可以詢問紐約市一場300毫米風暴可能長什麼樣子，並取得其可能規模、覆蓋範圍與強度的地圖。

此方法也能視覺化合理的洪水與野火，並可能應用於機器人導航與金融市場崩盤。這項研究發表於《Nature Communications》；它是一種規劃與模擬方法，並非任何特定未來事件將會發生的證據。

以點統計約束空間生成

僅以過去極端事件訓練的模型，無法直接向規劃者展示比歷史紀錄更嚴重的事件。

點統計提供罕見事件的頻率與量級約束，而不需要在訓練範例中有對應的極端地圖。

空間圖保留了使生成的風暴或野火合理、而不只是規模龐大的地理關係。

數千個實現讓規劃者得以探索可信情境的分布，而不是押注於單一預測。

如果你必須規劃的事件在歷史中不存在，就把它的頻率與其空間形狀分開處理，生成同時滿足兩項約束的情境，而不是等待更多歷史紀錄。

此方法讓社區能夠以尚未觀察到的合理事件，對海堤、電網、消防資源與供應鏈進行壓力測試。文章將其呈現為一種可延伸至洪水、野火、機器人與市場的研究工具；它並未報告已部署的規劃系統，也未報告可測量的損失減少。