MIT研发无历史数据依赖的极端天气预测AI

突破历史数据依赖的预测范式

MIT机械工程系博士生Kai Chang与教授Themis Sapsis合作开发了一种新型AI预测工具，其核心突破在于：不依赖包含历史极端灾害事件的训练数据，即可生成特定区域从未发生过、但在统计学意义上仍属可能的极端天气事件空间地图。每张地图均附带对该事件可能持续时间、峰值强度的量化估计，以及独立估算的影响区域范围。

Sapsis现任MIT机械与海洋工程系William I. Koch讲席教授，同时任职于MIT计算科学与工程中心及数据、系统与社会研究所。该方法命名为“Extreme Event Aware”（η-learning），相关论文于2024年8月20日发表于《Nature Communications》。

对标传统风险模型的局限性

当前主流风险建模方法——如保险业、城市规划与电网运营所依赖的模型——通常聚焦于推演某地‘百年一遇’风暴的形态。这类模拟普遍依赖已含极端事件的历史数据集，通过学习既往灾害成因条件，外推相似模式。Chang指出，该路径存在根本性瓶颈：“这些方法预设训练数据中已包含极高破坏性的事件，并仅限于评估其重现风险，或复现已发生过的具体事件。”Sapsis以飓风卡特里娜为例说明：“类似卡特里娜的灾害约30–40年一遇；而我们真正需要量化的是‘百年一遇’的卡特里娜——它会有多强？这正是本研究旨在支撑规划者应对潜在极端场景的核心目标。”

融合点统计与空间结构的双轨学习

该算法基于两类输入数据协同建模：一是‘点统计’（point statistics），即描述某一强度阈值（如全图最大降雨量）在历史记录中出现频次的标量指标；二是‘空间地图’（spatial maps），刻画事件影响在地理空间上的非均匀分布特征。算法通过学习二者间的统计关联，得以合成训练数据中从未出现过的极端空间模式，且无需任何先验的同类极端样本。

研究团队以美国本土降水为验证对象，使用25年逐小时降雨数据（聚合为日尺度地图），计算全时段内不同最大降雨强度的发生频率作为点统计基础。空间模型的训练窗口极为有限：仅采用前6个月低分辨率与高分辨率配对地图（此阶段几乎不含强降雨事件），使算法学会从粗粒度输入还原细节结构；再将全25年积累的点统计规律作为约束，调控生成地图的极端程度上限。

面向基础设施韧性测试的应用验证

纽约市有记录以来单日最高降雨量为200毫米，而该方法可生成统计可信、强度达300毫米的暴雨空间分布图——该水平在观测史上无对应实例。用户可向已训练模型输入指定城市名称，请求生成‘百年一遇’等级的风暴地图集。输出结果包含多张差异化地图，每张均具有独立的空间覆盖范围、内部强度梯度及概率权重。Chang强调，算法支持批量生成海量此类情景，可用于检验海堤对超历史风暴潮的抵御能力、评估电网在超长热浪下的稳定性，或研判消防资源对远超历史规模野火的响应极限。

当前局限与扩展前景

Chang与Sapsis指出，将该方法迁移至其他灾害类型（如洪水、野火）需获取对应灾害的点统计与空间数据。二人展望，一旦数据就绪，即可生成无历史先例的严重洪涝与林火空间情景。Sapsis进一步强调全球基础设施高度优化带来的脆弱性：“单一极端事件可在数周内冲击供应链、能源市场与粮食系统。为尚未发生的事件赋予概率，已成为国家与经济韧性的关键命题。”