Исследователи из Массачусетского технологического института (MIT) представили алгоритм, способный генерировать сценарии экстремальных погодных явлений, которые никогда не фиксировались в истории наблюдений. Метод, получивший название Extreme Event Aware (η-learning), решает ключевую проблему климатического моделирования: как оценить риски событий, для которых у нас просто нет данных.
Проблема «чёрного лебедя» в климатических моделях
Традиционные методы оценки рисков требуют обучающей выборки, содержащей примеры экстремальных событий. Чтобы смоделировать ураган, который случается раз в 100 лет, модели нужно «увидеть» хотя бы несколько подобных ураганов в исторических данных. Но для многих регионов таких записей просто не существует — особенно если речь идёт о событиях, превосходящих всё известное.
Как объясняет аспирант MIT Кай Чанг, соавтор работы, «мы пытаемся смоделировать экстремальные, беспрецедентные события, которых никто раньше не видел и которых нет в наборе данных». Например, если самый сильный ливень, когда-либо зафиксированный в Нью-Йорке, составил 200 мм осадков, то как будет выглядеть шторм с 300 мм? Такой сценарий невозможно построить классическими методами — данных для обучения просто нет.
Как работает η-learning
Алгоритм сочетает два подхода к анализу данных. Сначала он вычисляет точечные статистики — частоту, с которой максимальный уровень осадков достигает определённых значений. Затем он обучается на парах карт низкого и высокого разрешения, используя всего первые шесть месяцев наблюдений — период, в который экстремальных событий может и не быть.
На основе этих данных модель учится восстанавливать детальные карты осадков по грубым пространственным паттернам. Затем точечные статистики накладывают ограничения на экстремальные значения, позволяя алгоритму генерировать правдоподобные сценарии для событий, выходящих за рамки обучающей выборки.
Пользователь может задать алгоритму вопрос вроде «Как будет выглядеть шторм раз в 100 лет для Нью-Йорка?» — и получить карту с вероятными зонами поражения, интенсивностью и продолжительностью явления.
Ключевые факты
| Параметр | Значение |
|---|---|
| Разработчики | Кай Чанг (аспирант MIT), Темиc Сапсис (профессор MIT) |
| Дата публикации | 20 августа 2026 года |
| Издание | Nature Communications (открытый доступ) |
| Тестовый сценарий | Прогноз экстремальных осадков над континентальной частью США |
| Обучающая выборка | 25 лет почасовых карт осадков (первые 6 месяцев использованы для обучения) |
Применение за пределами погоды
Хотя основная демонстрация метода касается климатических явлений, авторы подчёркивают, что подход универсален. В статье отдельно упоминаются два потенциальных направления: навигация роботов в нештатных ситуациях и моделирование крахов финансовых рынков.
«Обвалы финансовых рынков — это экстремальные события, возникающие из сложного взаимодействия множества секторов, — поясняет Чанг. — Какое именно сочетание факторов приводит к краху? Этот метод может исследовать такие сценарии».
Для читателей Comrad404 это означает появление инструмента, который может быть адаптирован для оценки рисков в автоматизированных системах — от торговых алгоритмов до систем управления цепочками поставок, где «чёрные лебеди» также являются серьёзной проблемой.
Практическое значение для инфраструктуры
Профессор Темиc Сапсис формулирует задачу прямо: «Ураган „Катрина“ — это событие, которое случается раз в 30–40 лет. Какой будет „Катрина“, которая случается раз в 100 лет? Насколько она будет разрушительной? Именно это мы пытаемся количественно оценить, чтобы помочь планировщикам подготовиться к правдоподобным экстремальным сценариям».
Алгоритм позволяет не просто получить число вероятности, а визуализировать пространственное распределение угрозы: где именно пройдёт шторм, какую территорию он накроет, какой будет интенсивность. Это даёт возможность инженерам и городским планировщикам проверять конкретные элементы инфраструктуры — дамбы, линии электропередач, противопожарные разрывы — на устойчивость к сценариям, которые ранее невозможно было смоделировать.
Ограничения метода
Исследователи подчёркивают, что алгоритм генерирует правдоподобные, а не детерминированные сценарии. Результаты представляют собой вероятностные карты, а не точные прогнозы. Кроме того, метод требует качественных исходных данных — например, длинных рядов наблюдений за осадками или температурой, что доступно не для всех регионов мира.
Тем не менее, сам подход, не требующий наличия экстремальных событий в обучающей выборке, открывает новые возможности для оценки рисков в условиях, где исторические данные ограничены.
Источник: MIT News — Generating scenarios for extreme events, without extreme data (https://news.mit.edu/2026/generating-scenarios-extreme-events-without-extreme-data-0824)