气候变化让天气变得越来越难以预测，而罕见的灾难又少到往往积累的统计数据不足以评估风险。麻省理工学院（MIT）的工程师们提出了一种颠覆常规逻辑的方法：他们的算法不是从过去的灾害中学习，而是生成该地区历史上从未发生过的事件情景。开发者——博士生凯·张和教授塞米斯·萨普西斯——展示了一种方法，它基于统计概率而非对已发生事件的重复，来构建潜在灾害地图。
为什么传统风险模型对新型威胁视而不见
保险公司、城市规划者和电网运营商通常通过依赖已发生的极端事件的模拟来评估风险。这类模型会纳入过去飓风、洪水或干旱的数据，然后将这些模式投射到未来。逻辑很简单：如果一场灾害以一定周期重复出现，就可以通过类比来预测它。
但这种方法有一个根本性缺陷，MIT的研究人员以卡特里娜飓风为例进行了解释。这种规模的事件大约每30到40年发生一次，而保险公司和工程师需要的是对更罕见现象——那些百年一遇甚至更久才发生的事件——的评估。关于这类灾害的数据几乎不存在，因此经典算法要么低估风险，要么只是在预测已经发生过的事情。这项新开发试图填补这一空白，回答这样一个问题：一个每年发生概率为百分之一的事件会是什么样子，即使从未有过类似记录。
算法如何学习“不可能”
与在历史数据中寻找灾害痕迹不同，Extreme Event Aware（η-learning）方法处理两类输入数据。第一类是点统计：它显示数据集中某个特定强度水平出现的频率，例如一天内地图上的最大降水量。第二类是空间地图，描述影响强度如何分布在该地区范围内。
关键思想在于学习这两种表示之间的统计联系。算法观察低分辨率空间模式如何与高分辨率细节地图相关联，并将整个时期的点统计作为约束条件。凭借这一点，它能够为远远超出训练样本中任何示例的事件生成逼真的空间情景。本质上，这个网络不是预测“会发生什么”，而是构建“可能会发生什么”——但带有数学上合理的概率。
在美国降水数据上的测试
研究人员决定用美国本土的降水数据来验证这一方法。实验中使用了25年的逐小时观测数据，将其合并为逐日地图，并计算了点统计——在这整个时期内，地图上的最大降水量达到给定水平的频率。空间模型的训练数据则要少得多：仅用了六个月的低分辨率和高分辨率配对地图。而且他们特意选择了25年期间的前六个月——这段时间几乎没有或完全没有强降雨。
随后，算法将低分辨率模式如何转化为高分辨率细节进行了关联，并应用了这四分之一世纪的完整点统计来限制生成的幅度。结果很有说服力：纽约记录到的最大降水量达到200毫米，而该方法能够生成300毫米的逼真风暴地图——这一水平在观测中毫无先例。用户可以指定一个城市并要求“百年一遇的风暴”，输出结果就是一系列不同规模、覆盖面积和降水强度的地图。而且生成这类情景不需要大量计算资源：该网络可以在一次运行中批量生成大量变体。
生成的灾害对谁有用
提前看到尚未发生的灾害的可能性，为一系列基础设施决策打开了实际应用前景。市政府可以检验堤坝是否能承受超过所有历史记录的风暴潮。能源公司可以获得更持久、更强烈高温的情景，以评估电网能否应对峰值负荷。消防部门则可以演练扑灭比他们所在地区曾经发生过的任何火灾面积都更大的森林火灾。
局限性与未来展望
目前该方法仅在降水数据上得到验证，要应用于其他类型的灾害，需要准备相应的数据：既包括点统计，也包括针对特定危险的的空间地图。展望未来，作者们希望将其扩展到历史上没有先例的严重洪水和森林火灾。
塞米斯·萨普西斯强调了更广泛的背景：现代全球基础设施以效率为优化目标，留下的安全余量极少。一次极端事件就能在数周内沿着供应链、能源市场和粮食系统蔓延开来。因此，为尚未发生的事件赋予概率，这不仅关乎科学好奇心，更关乎国家与经济韧性。MIT的新算法迈出了这样一步：它不是根据过去预测未来，而是帮助人们为统计上可能、即使从未发生过的事情做好准备。
