A mudança climática torna o clima cada vez mais imprevisível, e catástrofes raras são tão raras que as estatísticas acumuladas muitas vezes não são suficientes para avaliar riscos. Engenheiros do Instituto de Tecnologia de Massachusetts (MIT) propuseram uma abordagem que inverte a lógica habitual: seu algoritmo não aprende com desastres passados, mas gera cenários de eventos que simplesmente não existem no histórico da região. Os desenvolvedores — o estudante de pós-graduação Kai Chang e o professor Themistoklis Sapsis — apresentaram um método que constrói mapas de catástrofes potenciais com base na probabilidade estatística, e não na repetição do que já aconteceu.
Por que os modelos de risco tradicionais são cegos a novas ameaças
Seguradoras, planejadores urbanos e operadores de redes elétricas geralmente avaliam riscos por meio de simulações que se baseiam em eventos extremos já ocorridos. Nesses modelos, são incorporados dados de furacões, enchentes ou secas passados, e então esses padrões são projetados para o futuro. A lógica é simples: se um desastre se repete com certa periodicidade, ele pode ser previsto por analogia.
Mas essa abordagem tem uma falha fundamental, que os pesquisadores do MIT explicam usando o furacão Katrina como exemplo. Eventos dessa magnitude ocorrem cerca de uma vez a cada 30–40 anos, e seguradoras e engenheiros precisam de uma avaliação para fenômenos muito mais raros — aqueles que ocorrem uma vez por século ou mais. Quase não há dados sobre tais catástrofes e, portanto, os algoritmos clássicos ou subestimam o risco, ou simplesmente preveem o que já aconteceu. O novo desenvolvimento tenta preencher essa lacuna respondendo à pergunta: como é um evento cuja probabilidade é de um por cento ao ano, mesmo que nada semelhante jamais tenha sido registrado?
Como o algoritmo aprende o "impossível"
Em vez de procurar vestígios de catástrofes em dados históricos, o método Extreme Event Aware (η-learning) trabalha com dois tipos de dados de entrada. O primeiro é a estatística pontual: ela mostra com que frequência um determinado nível de intensidade aparece no conjunto de dados, por exemplo, a quantidade máxima de precipitação no mapa em um único dia. O segundo tipo são os mapas espaciais, que descrevem como a força do impacto se distribui pelo território da região.
A ideia-chave é aprender a relação estatística entre essas duas representações. O algoritmo observa como padrões espaciais de baixa resolução se relacionam com mapas detalhados de alta resolução e usa a estatística pontual de todo o período como um limitador. Graças a isso, ele é capaz de criar cenários espaciais realistas para eventos que vão muito além de qualquer exemplo do conjunto de treinamento. Em essência, a rede não prevê "o que vai acontecer", mas constrói "o que poderia acontecer" — mas com uma probabilidade matematicamente fundamentada.
Teste com precipitações nos EUA
Decidiu-se testar o método com dados de precipitação nos Estados Unidos continentais. Para o experimento, foram usados 25 anos de observações horárias, agregadas em mapas diários, e calculada a estatística pontual — com que frequência a quantidade máxima de precipitação no mapa atingia um nível definido durante todo o período. O modelo espacial foi treinado com um material muito mais modesto: apenas seis meses de pares de mapas de baixa e alta resolução. Além disso, foram escolhidos os primeiros seis meses do período de 25 anos — um trecho em que chuvas fortes quase não ocorreram ou não ocorreram de forma alguma.
Em seguida, o algoritmo relacionou como os padrões de baixa resolução se transformam em detalhes de alta resolução e aplicou a eles a estatística pontual completa do quarto de século para limitar a amplitude da geração. O resultado foi revelador: a precipitação máxima registrada em Nova York chega a 200 milímetros, e o método é capaz de gerar mapas plausíveis de tempestade com 300 milímetros — um nível sem análogos nas observações. O usuário pode indicar uma cidade ao algoritmo e solicitar uma "tempestade de 1 em 100 anos", recebendo como resultado uma série de mapas com diferentes tamanhos, áreas de cobertura e intensidades de precipitação. Além disso, a criação desses cenários não exige grandes recursos computacionais: a rede pode gerar conjuntos inteiros de variações em uma única execução.
Para quem as catástrofes geradas são úteis
A possibilidade de ver antecipadamente um desastre que ainda não ocorreu abre perspectivas práticas para uma série de decisões de infraestrutura. A administração municipal pode verificar se uma barragem suporta uma onda de tempestade que excede tudo o que foi registrado anteriormente. As empresas de energia receberão cenários de calor mais prolongado e intenso para avaliar se a rede elétrica suportará o pico de carga. E os bombeiros poderão ensaiar o combate a um incêndio florestal maior do que qualquer um que já tenha ocorrido em sua região.
Limitações e perspectivas futuras
Por enquanto, o método foi demonstrado apenas com precipitações, e para aplicação a outros tipos de desastres será necessário preparar os dados correspondentes: tanto a estatística pontual quanto os mapas espaciais para o perigo específico. No futuro, os autores vislumbram a expansão para enchentes severas e incêndios florestais sem análogos nos arquivos históricos.
Themistoklis Sapsis destaca um contexto mais amplo: a infraestrutura global moderna é otimizada para eficiência e deixa muito pouca margem de segurança. Um único evento extremo pode se espalhar em poucas semanas pelas cadeias de suprimentos, mercados de energia e sistemas alimentares. Portanto, a capacidade de atribuir probabilidade a um evento que ainda não ocorreu é uma questão não apenas de curiosidade científica, mas também de resiliência nacional e econômica. O novo algoritmo do MIT dá esse passo: ele não prevê o futuro com base no passado, mas ajuda a nos prepararmos para o que é estatisticamente possível, mesmo que nunca tenha acontecido.
