# AI napoveduje nevihte, ki se še niso zgodile: MIT razvija model za skrajne vremenske scenarije
*Nova metoda ne išče zgolj ponovitev preteklih katastrof. Iz statistike in prostorskih vzorcev sestavlja verjetne scenarije poplav, vročinskih valov in drugih ekstremov, ki jih v zgodovinskih meritvah še ni bilo.*
Kaj če bi občina lahko preverila, ali bi nasipi, ceste, električno omrežje in intervencijske službe zdržali poplavo, večjo od vseh doslej zabeleženih? Ne napovedi za jutri, temveč realistično zasnovanemu scenariju dogodka, ki se statistično lahko zgodi, vendar ga lokalna zgodovina še ne pozna.
Prav to je cilj nove metode umetne inteligence, ki so jo razvili raziskovalci Massachusettskega tehnološkega inštituta (MIT). Orodje ustvarja zemljevide možnih ekstremnih vremenskih dogodkov tudi za intenzivnosti, ki jih v podatkih za izbrano območje še ni bilo. Pri tem ne poda ene same napovedi, temveč več možnih scenarijev – z ocenami njihove intenzivnosti, trajanja in območja vpliva.
Raziskavo sta pripravila podiplomski študent strojništva Kai Chang in profesor Themis Sapsis, objavljena pa je bila v reviji *Nature Communications*.
## Ko zgodovina ne zadošča
Večina obstoječih modelov tveganja se opira na zgodovinske dogodke. Če želijo zavarovalnice, občine ali upravljavci energetskih sistemov oceniti posledice stoletne nevihte, model išče podobne vzorce v preteklih zapisih in jih projicira v prihodnost.
Težava je očitna: kaj se zgodi, kadar dogodek, ki ga želimo oceniti, v razpoložljivih podatkih sploh nima primerjave?
»Takšne metode predpostavljajo, da smo v podatkovni zbirki že videli zelo uničujoče dogodke,« opozarja Chang. Po njegovih besedah lahko modeli nato ocenjujejo tveganje znanih katastrof, težje pa pokažejo, kako bi lahko izgledal povsem nov ekstrem.
Profesor Sapsis to ponazori z orkanom Katrina. Če je določen katastrofalen orkan značilen za obdobje 30 ali 40 let, se pojavi naslednje vprašanje: kako bi izgledal primerljiv dogodek, ki se zgodi le enkrat na sto let?
To ni zgolj akademska dilema. Podnebne spremembe, širjenje mest in medsebojna odvisnost infrastrukture pomenijo, da pretekli rekordi niso več vedno zanesljiva zgornja meja prihodnjih tveganj.
## Kako AI “vidi” nevihto, ki se še ni zgodila?
MIT-jev pristop temelji na strojnem učenju, ki združuje dve plati istega problema: **kako močan** je lahko vremenski pojav in **kje oziroma kako** se njegove posledice razporedijo po prostoru.
Prvo predstavljajo statistični podatki. Ti pokažejo, kako pogosto se pojavijo določene količine padavin oziroma določene stopnje intenzivnosti dogodka. Drugo so prostorski zemljevidi, ki pokažejo obliko neurja: kje je deževalo najmočneje, kako daleč se je sistem razširil in katere dele regije je prizadel.
Poenostavljeno: statistika algoritmu poda okvir, kako redek in kako intenziven je lahko dogodek, prostorski podatki pa ga naučijo, kako so takšni pojavi videti na zemljevidu.
Namesto da bi sistem kopiral zgodovinsko nevihto, se nauči povezave med grobim vremenskim vzorcem in njegovimi podrobnostmi. Nato lahko generira nove prostorske kombinacije, ki niso neposredna reprodukcija že zabeleženega dogodka, vendar ostajajo skladne s statističnimi lastnostmi podatkov.
Gre torej za generativni pristop umetne inteligence: model ustvarja možne scenarije na podlagi naučenih zakonitosti, ne pa zgolj razvršča ali ponavlja že znane primere. Raziskovalci ga opisujejo kot metodo, ki povezuje statistiko ekstremov s prostorskimi vzorci.
Pomembno pa je poudariti, da predstavljeni povzetek raziskave ne navaja natančne arhitekture modela – denimo vrste nevronske mreže ali posebne generativne zasnove. Ključna inovacija je zato predvsem v metodologiji: kombiniranju statistične ocene redkih ekstremov in strojnega učenja prostorskih struktur.
## Preizkus na 25 letih padavin v ZDA
Raziskovalci so metodo preizkusili na podatkih o padavinah v celinskem delu ZDA. Uporabili so 25 let urnih meritev, ki so jih združili v dnevne zemljevide padavin.
Zanimiv del preizkusa je, da je bil prostorski model učen na precej omejenem naboru: na zemljevidih z nizko in visoko ločljivostjo iz prvih šestih mesecev celotnega 25-letnega obdobja. V tem času je bilo malo ali nič primerov najmočnejših nalivov.
Kljub temu je model lahko uporabil statistične informacije iz celotnega obdobja in ustvaril zemljevide bolj ekstremnih pojavov. S tem je pokazal, da za oblikovanje verjetnih prostorskih scenarijev ni nujno potreboval neposrednega zgodovinskega primera najhujše možne nevihte.
Kot primer raziskovalci navajajo New York. Največja zabeležena količina padavin v mestu je približno 200 milimetrov, model pa lahko ustvari statistično verjeten zemljevid nevihte s 300 milimetri padavin. Takšen dogodek nima neposredne ustreznice v opazovalnem zapisu, vendar ga metoda obravnava kot možen scenarij.
## Od zemljevida do odločitev o infrastrukturi
Vrednost takšnega sistema ni v tem, da bi z gotovostjo povedal, kdaj in kje bo udarila naslednja katastrofa. Njegov namen je drugačen: pomagati institucijam pri pripravi na dogodke, ki jih dosedanji podatki ne zajemajo dovolj dobro.
Mesto bi lahko z ustvarjenimi scenariji testiralo, ali bi protipoplavna zaščita zdržala nevihtni val zunaj dosedanjih rekordov. Upravljavci elektroenergetskega omrežja bi lahko preverjali odpornost sistema na daljše vročinske valove. Službe za zaščito in reševanje pa bi lahko ocenile, ali bi bile njihove zmogljivosti dovolj velike za požar v naravi, večji od vseh znanih primerov.
To je relevantno tudi za Slovenijo. Obsežne poplave, neurja s točo, plazovi, suše in vročinski valovi v zadnjih letih jasno kažejo, da načrtovanje ne more temeljiti le na vprašanju, kaj se je že zgodilo. Pomembno postaja tudi vprašanje, za kaj se moramo pripraviti, čeprav lokalna statistika takšnega dogodka še ne vsebuje.
## Model ni kristalna krogla
Nova metoda ima tudi pomembne omejitve. Predvsem je odvisna od kakovostnih vhodnih podatkov. Za vsak nov tip nevarnosti – na primer požare, poplave ali vročinske valove – potrebuje ustrezne statistične podatke in prostorske zemljevide za konkretno okolje.
Poleg tega je treba razlikovati med **statistično možnim** in **fizikalno povsem realističnim** scenarijem. Model lahko ustvari vzorec, ki je skladen z razpoložljivo statistiko, vendar mora biti njegova uporaba povezana s strokovnim znanjem meteorologov, hidrologov, inženirjev in lokalnih načrtovalcev. Takšni zemljevidi ne bi smeli postati avtomatska podlaga za odločitve brez dodatne validacije.
Poseben izziv predstavljajo najredkejši dogodki, kjer je tudi osnovnih podatkov najmanj. Negotovost pri scenariju stoletne ali večstoletne katastrofe ne izgine z uporabo umetne inteligence – lahko pa postane bolj vidna, merljiva in uporabna pri načrtovanju.
Sapsis opozarja, da ima sodobna infrastruktura malo rezerv. En sam izjemen dogodek se lahko hitro razširi v dobavne verige, energetiko, prehranski sistem in gospodarstvo. Zato je po njegovem mnenju sposobnost oceniti verjetnost nečesa, kar se še ni zgodilo, vse bolj vprašanje nacionalne in gospodarske odpornosti.
Umetna inteligenca s tem ne nadomešča vremenskih napovedi. Lahko pa postane pomembno orodje za odgovor na težje vprašanje: ne le, kaj se bo zgodilo jutri, temveč na kaj moramo biti pripravljeni, ko zgodovinski rekordi ne bodo več dovolj.
