Изменение климата делает погоду всё более непредсказуемой, а редкие катастрофы — такими редкими, что накопленной статистики часто не хватает для оценки рисков. Инженеры Массачусетского технологического института (MIT) предложили подход, который переворачивает привычную логику: их алгоритм не учится на прошлых бедствиях, а генерирует сценарии событий, которых в истории региона просто не было. Разработчики — аспирант Кай Чанг и профессор Темиc Сапсис — представили метод, который строит карты потенциальных катастроф, основываясь на статистической вероятности, а не на повторении уже случившегося.
Почему традиционные модели риска слепы к новым угрозам
Страховые компании, городские планировщики и операторы электросетей обычно оценивают риски через симуляции, которые опираются на уже случившиеся экстремальные события. В таких моделях закладываются данные прошлых ураганов, наводнений или засух, после чего эти паттерны проецируются в будущее. Логика простая: если бедствие повторяется с определённой периодичностью, его можно предсказать по аналогии.
Но у этого подхода есть фундаментальный изъян, который исследователи MIT объясняют на примере урагана Катрина. События такого масштаба случаются примерно раз в 30–40 лет, а страховщикам и инженерам нужна оценка для гораздо более редких явлений — тех, что происходят раз в столетие и дольше. Данных о таких катастрофах почти нет, а значит, классические алгоритмы либо недооценивают риск, либо просто предсказывают то, что уже и так произошло. Новая разработка пытается закрыть эту брешь, отвечая на вопрос, как выглядит событие, вероятность которого составляет один процент в год, даже если ничего подобного никогда не регистрировалось.
Как алгоритм учится «невозможному»
Вместо того чтобы искать в исторических данных следы катастроф, метод Extreme Event Aware (η-learning) работает с двумя типами входных данных. Первый — точечная статистика: она показывает, как часто в наборе данных встречается определённый уровень интенсивности, например максимальное количество осадков на карте за один день. Второй тип — пространственные карты, которые описывают, как сила воздействия распределяется по территории региона.
Ключевая идея в том, чтобы выучить статистическую связь между этими двумя представлениями. Алгоритм видит, как пространственные паттерны низкого разрешения соотносятся с детальными картами высокого разрешения, и использует точечную статистику всего периода как ограничитель. Благодаря этому он способен создавать реалистичные пространственные сценарии для событий, которые выходят далеко за пределы любых примеров из обучающей выборки. По сути, сеть не предсказывает «что случится», а конструирует «что могло бы случиться» — но с математически обоснованной вероятностью.
Испытание на американских осадках
Проверить метод решили на данных об осадках в континентальной части США. Для эксперимента взяли 25 лет почасовых наблюдений, объединили их в суточные карты и вычислили точечную статистику — как часто максимальное количество осадков на карте достигало заданного уровня за весь этот период. Пространственную модель обучали на гораздо более скромном материале: всего на шести месяцах парных карт низкого и высокого разрешения. Причём выбрали первые шесть месяцев из 25-летнего периода — отрезок, где сильных ливней почти не было или не было совсем.
Затем алгоритм связал, как паттерны низкого разрешения преобразуются в детали высокого, и применил к ним полную точечную статистику четверти века, чтобы ограничить размах генерации. Результат оказался показательным: максимальные зарегистрированные осадки в Нью-Йорке достигают 200 миллиметров, а метод способен генерировать правдоподобные карты шторма с 300 миллиметрами — уровня, который не имеет аналогов в наблюдениях. Пользователь может указать алгоритму город и запросить «шторм раз в 100 лет», и на выходе получить серию карт с разными размерами, площадью покрытия и интенсивностью осадков. Причём создание таких сценариев не требует больших вычислительных ресурсов: сеть может штамповать целые массивы вариантов за один прогон.
Кому пригодятся сгенерированные катастрофы
Возможность заранее увидеть бедствие, которого ещё не было, открывает практические перспективы для целого ряда инфраструктурных решений. Городская администрация может проверить, выдержит ли дамба штормовой нагон, превышающий всё зарегистрированное ранее. Энергокомпании получат сценарии более длительной и интенсивной жары, чтобы оценить, справится ли электросеть с пиковой нагрузкой. А пожарные службы смогут отрепетировать тушение лесного пожара, который по площади больше любого из тех, что когда-либо случались в их регионе.
Ограничения и взгляд в будущее
Пока что метод продемонстрирован только на осадках, и для применения к другим видам бедствий потребуется подготовить соответствующие данные: как точечную статистику, так и пространственные карты для конкретной опасности. В перспективе авторы видят расширение на сильные наводнения и лесные пожары, у которых нет аналогов в исторических архивах.
Темиc Сапсис подчёркивает более широкий контекст: современная глобальная инфраструктура оптимизирована на эффективность и оставляет крайне мало запаса прочности. Одно экстремальное событие способно за считанные недели распространиться по цепочкам поставок, энергетическим рынкам и продовольственным системам. Поэтому умение назначить вероятность событию, которого ещё не случалось, — это вопрос не только научного любопытства, но и национальной и экономической устойчивости. Новый алгоритм MIT делает такой шаг: он не предсказывает будущее по прошлому, а помогает подготовиться к тому, что статистически возможно, даже если никогда не происходило.
