New York’a 12 inç yağmur yağabilir mi? Yapay zeka olası nadir fırtınaları haritalıyor

Bir şehrin deniz duvarı gişe rekorları kıran bir fırtınaya dayanabilir mi? Bir bölgenin elektrik şebekesi rekor kıran ısıya dayanabilecek mi? Ve bir kasabanın yangınla mücadele kaynakları büyük bir orman yangınını kontrol altına alabilir mi?

Bu soruları cevaplamak için toplulukların öncelikle bu tür aşırı olayların nasıl ortaya çıkabileceğini bilmesi gerekecek. Bir orman yangınının ne kadar uzağa yayılması muhtemeldir? Fırtına bir bölgenin ne kadarını etkileyebilir? Sıcak hava dalgası ne kadar sürebilir?

Ancak ekstrem olayların önceden tahmin edilmesi oldukça zordur. Doğaları gereği aykırıdırlar. Kayıt tutma tarihinde ekstrem olaylar ara sıra ve nadirdir. Ancak bir bölgenin riskini değerlendiren yöntemlerin çoğu, gelecekteki daha da aşırı, en kötü senaryoları karakterize etmek için geçmişteki aşırı olaylara dayanıyor.

Şimdi ise MIT mühendisleri, makul aşırı olaylar ve en kötü senaryolar üreten ve aşırı fırtınanın olası süresi, yoğunluğu ve etki alanı gibi bunların özelliklerini haritalandıran bir araç geliştirdi. Yöntemlerinin anahtarı, gelecekteki olası aşırı olayları oluşturmak için önceki aşırı olaylar hakkında bilgi sahibi olmaya gerek olmamasıdır.

Bunun yerine, makine öğrenimi algoritması biçimindeki yöntem, bir bölgenin günlük hava durumu kayıtları ve haritaları gibi bir veri kümesinden öğrenir. Bu kayıt, rekor kıran sıcaklık veya yağmur gibi geçmişteki aşırı sapmaları içerebilir veya içermeyebilir. Ekibin algoritması, olası olmayan hava senaryolarını hariç tutmak için mevcut verilerden öğrenmek amacıyla istatistiksel bir yaklaşım benimsiyor.

Yöntem daha sonra belirli bir sıklıkta (örneğin her 100 yılda bir) bir bölgede meydana gelmesi muhtemel olan makul ekstrem olaylar üretir ve bu ekstrem olayların büyüklük, yoğunluk ve süre açısından nasıl görünebileceğini yansıtır.

MIT Makine Mühendisliği yüksek lisans öğrencisi ve MIT Hesaplamalı Bilim ve Mühendislik Merkezi’ne bağlı Kai Chang, “Daha önce kimsenin görmediği, veri setinde yer almayan olağanüstü, benzeri görülmemiş olayları modellemeye çalışıyoruz” diyor.

MIT’de William I. Koch Makine ve Okyanus Mühendisliği Profesörü, Hesaplamalı Bilim ve Mühendislik Merkezi’nin çekirdek üyelerinden ve MIT Veri, Sistemler ve Toplum Enstitüsü’nün bir üyesi olan Themis Sapsis, “Katrina Kasırgası gibi bir olay her 30 ila 40 yılda bir meydana gelen bir olaydır” diye ekliyor.

“Her 100 yılda bir meydana gelen Katrina ne olacak? Ne kadar kötü olacak? Planlamacıların makul aşırı senaryolara hazırlanmalarına yardımcı olmak için tam da bunu ölçmeye çalışıyoruz.”

Hava olaylarının ötesinde, ekibin Extreme Event Aware veya “η-öğrenme” olarak adlandırdığı yaklaşım, robotik navigasyon ve finansal piyasalar gibi diğer alanlara da uygulanabilir.

Chang, “Finansal piyasa çöküşleri, birçok farklı sektörü kapsayan karmaşık bir kombinasyondan oluşan aşırı olaylardır” diyor. “Piyasanın çökmesine yol açan etkileşim nedir? Bu, bu yöntemin keşfedebileceği bir şeydir.”

Sapsis ve Chang, yeni yöntemlerini dergide yayınlanan bir makalede ayrıntılarıyla anlatıyor Doğa İletişimi.

‘Her şeyden daha riskli’

Planlamacılar, politika yapıcılar ve sigorta şirketleri, bir bölgenin aşırı hava olayı riskini tahmin etmek için genellikle “New York City için her 100 yılda bir görülen bir fırtına nasıl görünür?” gibi sorular sorarlar. Yanıtlar için, bu olaylara yol açan koşulları öğrenmek ve bu olayların gelecekte nasıl görünebileceğine dair senaryolar oluşturmak için yüzyılda bir kez görülen ekstrem olayları içeren veriler üzerinde eğitilmesi gereken bilgisayar simülasyonlarını kullanıyorlar.

Chang, “Bu yöntemler, veri kümesinde gördüğümüz çok feci olayların olduğunu varsayıyor ve ya bu olayların riskini tahmin etmek için bir yöntem oluşturuyor ya da gerçekleşmiş olayları tam olarak tahmin etmeye çalışıyorlar” diyor.

“Görmeye çalışıyoruz: Daha önce gerçekleşen her şeyden daha riskli olan ve yine de makul olan benzeri görülmemiş aşırı olaylar neye benziyor?”

Örneğin, New York City’de şimdiye kadar kaydedilen en aşırı yağış ölçümü 200 milimetre (8 inç) ise, ne tür bir fırtına 300 milimetrelik (12 inç) daha da aşırı bir ölçüm üretebilir?

Böyle bir olay daha önce hiç kaydedilmedi ve yine de akla yatkın olabilir. Şehir planlamacıları böyle bir fırtınanın nereyi vuracağını, ne kadar büyük bir alanı kaplayacağını ve ne kadar şiddetli olacağını bilmek isterler. Fırtınanın simülasyonu, altyapıyı değerlendirmelerine ve takviyeleri planlamalarına yardımcı olabilir.

Sapsis, “Bu en kötü senaryoların haritalarını tahmin etmek istiyoruz” diyor. “Nadiren gerçekleşen olayları tahmin etmek için bunu verimli bir şekilde yapan bir yöntem yok.”

Aşırı öğrenme

Ekibin yeni algoritması, önceki olağanüstü olay verileri üzerinde eğitim almaya gerek kalmadan makul, benzeri görülmemiş olağanüstü senaryolar üretiyor. Bunu yapmak için algoritma, iki veri türü arasındaki ilişkiler hakkındaki istatistikleri veya olasılıkları birleştirir ve öğrenir: nokta istatistikleri ve mekansal haritalar.

Bunu göstermek için araştırmacılar, Amerika Birleşik Devletleri kıtasında gelecekteki aşırı yağış olaylarının haritalarını oluşturmak için bu yöntemi uyguladılar.

Araştırmacılar, günlük haritalarda birleştirdikleri 25 yıllık saatlik yağış haritalarıyla işe başladılar. Tüm kayıtlardan, bir haritadaki maksimum yağış miktarının belirli bir seviyeye ne sıklıkta ulaştığını açıklayan nokta istatistiklerini hesapladılar. Daha sonra algoritmayı, kaydın yalnızca ilk altı ayına ait, en aşırı yağış seviyelerinin çok az örneğini içeren veya hiç içermeyen eşleştirilmiş düşük ve yüksek çözünürlüklü mekansal haritalar üzerinde eğittiler.

Algoritma, bu verilerden, düşük çözünürlüklü haritalardaki desenlerin ayrıntılı, yüksek çözünürlüklü yağış haritalarına nasıl karşılık geldiğini öğrendi. Daha sonra bu haritalarda temsil edilen aşırı yağışları sınırlamak için nokta istatistiklerini kullandı. Bu kombinasyon, algoritmanın, eğitim verilerinde temsil edilenlerden daha aşırı olaylar için makul mekansal modeller (örneğin, maksimum 300 milimetrelik, yüzyılda bir görülen bir yağış olayının olası yerleri, boyutları ve yoğunlukları) oluşturmasına olanak tanır.

Bir kullanıcı, eğitilen algoritmayı “New York City’de yüzyılda bir görülen bir fırtına nasıl görünebilir?” gibi bir soruyla yönlendirebilir. Algoritma daha sonra, fırtınanın boyutu, kapsama alanı ve yağış yoğunluğu gibi özellikler de dahil olmak üzere, bu frekansta meydana gelmesi muhtemel istatistiksel olarak makul fırtınaların haritalarını oluşturur.

Chang, “Birisi ‘Ben her 100 yılda bir meydana gelen bir olayın riskine dayanacak şeyler inşa etmekle ilgileniyorum’ diyebilir” diyor. “O zaman yapabileceğimiz şey, bu tür nadir sıklıkta gerçekleşecek binlerce olası gerçekleşmeyi üretmektir.”

İlgili nokta istatistikleri ve mekansal veriler mevcut olduğu sürece yöntem, aşırı sel ve orman yangınları gibi benzeri görülmemiş olayların görselleştirilmesi için uygulanabilir.

Sapsis, “Olağanüstü olaylar sadece çevresel bir sorun olmaktan çıkıp stratejik bir endişe haline geldi; küresel sistemleri verimlilik için optimize ettik ve bu verimliliğin bedeli, her yerde çok az gevşekliğin kalmasıdır. Tek bir aşırı olay, tedarik zincirleri, enerji piyasaları ve gıda sistemleri boyunca haftalar içinde yayılır” diyor.

“Henüz gerçekleşmemiş bir olaya olasılık koyabilmek artık bir ulusal ve ekonomik dayanıklılık meselesidir.”