该工具可在不依赖历史灾害数据的情况下，生成统计上可能但从未发生过的极端天气事件地图，并附有持续时间、强度和影响范围的估算。
AI解读：MIT的工程师开发了一种AI工具，专门预测那些没有历史先例的极端天气事件。传统风险模型依赖于过去发生的灾害数据来预测未来，因此难以应对从未出现过的极端情况。这个新方法结合了降雨频率等点统计数据和空间分布数据，通过机器学习生成统计上可能但未曾记录的事件模型。例如，它能生成纽约市可能出现的300毫米降雨风暴地图，而该市有记录的最高降雨为200毫米。这项技术对城市规划者、保险公司和电网运营商尤其有价值，可以帮助他们评估基础设施能否应对超过历史记录的灾害，如更高的海堤防线或更持久的热浪。目前演示仅限于美国本土降雨，扩展到其他灾害类型需要相应的数据和统计资料。
MIT工程师开发了一种AI工具，可在不依赖历史灾害数据的情况下预测极端天气事件。该工具由机械工程研究生Kai Chang和教授Themis Sapsis共同开发，能生成该地区历史上未出现但统计上可能发生的事件地图，每张地图均附带事件可能持续时间和强度，以及可能影响范围的独立估算。研究论文于8月20日发表在《自然通讯》上。
现有模型限制与研究动机
现有的风险模型依赖于包含极端事件的数据集，通过学习产生这些事件的条件来预测类似模式。Chang认为，这种方法限制了模型的预测能力：“这些方法假设数据集中存在非常灾难性的事件；它们要么估算这些事件的风险，要么尝试精确预测已发生的事件。”Sapsis以卡特里娜飓风为例说明其局限性，并指出他们试图量化“每100年发生一次的卡特里娜级别事件会有多严重”，以帮助规划者准备应对可能的极端情况。
算法原理与测试方法
该算法（名为Extreme Event Aware，或称η-learning）结合了点统计和空间地图两类数据。点统计反映事件强度的频率，空间地图显示事件影响的区域分布。通过学习两者间的统计关系，算法可以为超出训练数据的事件生成空间模式，无需先例支撑。研究人员用美国本土的降雨数据验证了该方法：使用了25年的每小时降雨记录，但仅用前六个月的低分辨率和高分辨率地图对训练空间模型，期间几乎没有最强降雨的示例。之后算法利用完整记录的点统计约束生成模式的极端程度。
- 纽约市有记录以来的最高降雨量为200毫米，但该方法能生成300毫米降雨风暴的合理地图，这不仅没有观测先例，还伴有区域覆盖和降雨强度的变化。
- 该算法能一次生成大量此类风暴情景图，可帮助城市测试海堤抗御超出记录的暴潮能力，或评估电网在更长热浪下的承受力。
方法与当前限制
Chang和Sapsis指出，将此方法用于新灾害类型需要针对该灾害的相关点统计和数据。他们提到未来可能扩展的领域包括可视化严重洪水和历史上无先例的野火。Sapsis强调全球基础设施为效率而优化，缺乏系统冗余：“单次极端事件可在数周内传导至供应链、能源市场和食品系统；能够为尚未发生的事件赋予概率，现在关乎国家与经济韧性。”