MIT 机械工程研究生 Kai Chang 与教授 Themis Sapsis 开发出无需历史灾害数据预测极端天气的 AI 工具 η-learning，该成果于 8 月 20 日发表在 Nature Communications，能生成无历史先例但统计上可能的极端天气地图，包含持续时间、强度及影响区域，可帮助规划者应对百年一遇等极端场景。
- AI工具η-learning：无需历史灾害数据预测极端天气
- 研究发表：8月20日成果登Nature Communications
- 功能输出：生成含持续时间、强度、影响区域的天气地图
- 应用场景：助力测试基础设施应对超历史记录极端事件
- 测试验证：在美大陆降水数据中生成300mm超记录降雨场景
MIT工程师开发出一种无需历史灾害数据训练的AI极端天气预测工具，可生成统计上可能发生但未在历史记录中出现的极端事件地图。该工具由机械工程专业研究生Kai Chang与Themis Sapsis教授团队研发，名为“极端事件感知算法”（η-learning），已发表于《自然·通讯》。
该工具结合点统计与空间细节分析，能预测事件的持续时间、强度及影响区域。例如，它可生成类似卡特里娜飓风但频率更低的极端风暴，帮助城市规划者准备“百年一遇”以上的极端场景。
现有风险模型依赖历史极端事件数据，而新方法突破这一局限。通过学习点统计（如最大降雨量频率）与空间模式（如影响区域差异）的关系，算法能生成训练数据外的极端场景，无需历史先例。
研究团队在美国大陆25年降水数据上测试了该算法，可生成如纽约市300毫米降雨量（远超历史200毫米记录）的极端场景，并快速输出大量模拟结果，助力城市测试海堤等基础设施应对未记录的极端风暴。
Mergeek
Scan to contact Alisa
© Mergeek. All rights reserved. Built for the products. 京ICP备2021030996号 《隐私政策》
