¿Puede el malecón de una ciudad resistir una gran tormenta? ¿Resistirá la red eléctrica de una región un calor récord? ¿Y pueden los recursos de extinción de incendios de una ciudad contener un incendio forestal importante?
Para responder a estas preguntas, las comunidades primero necesitarán saber cómo podrían desarrollarse eventos tan extremos. ¿Hasta dónde es probable que se propague un incendio forestal? ¿Qué parte de una región podría afectar una tormenta? ¿Cuánto tiempo podría durar una ola de calor?
Pero los acontecimientos extremos son notoriamente difíciles de anticipar. Por su naturaleza, son valores atípicos. En la historia del mantenimiento de registros, los fenómenos extremos son esporádicos y raros. Sin embargo, la mayoría de los métodos que evalúan el riesgo de una región dependen de eventos extremos del pasado para caracterizar escenarios aún más extremos y peores en el futuro.
Ahora, los ingenieros del MIT han desarrollado una herramienta que genera eventos extremos plausibles y los peores escenarios, y mapea sus características, como la probable duración, intensidad y área de impacto de una tormenta extrema. La clave de su método es que no necesita conocer eventos extremos previos para generar eventos extremos futuros plausibles.
En cambio, el método, en forma de algoritmo de aprendizaje automático, aprende de un conjunto de datos, como los registros y mapas meteorológicos diarios de una región. Este récord puede contener o no desviaciones extremas del pasado, como calor o lluvia sin precedentes. El algoritmo del equipo adopta un enfoque estadístico para aprender de los datos disponibles y excluir escenarios meteorológicos inverosímiles. Luego, el método genera eventos extremos plausibles que probablemente ocurran en una región con una frecuencia determinada (por ejemplo, una vez cada 100 años) y proyecta cómo podrían verse esos eventos extremos en términos de su tamaño, intensidad y duración.
“Estamos tratando de modelar eventos extremos y sin precedentes que nadie ha visto antes, que no están en el conjunto de datos”, dice Kai Chang, estudiante graduado en ingeniería mecánica del MIT y afiliado del Centro de Ingeniería y Ciencias Computacionales del MIT.
“Un evento como el huracán Katrina es algo que ocurre cada 30 a 40 años”, añade Themis Sapsis, profesor William I. Koch de Ingeniería Mecánica y Oceánica en el MIT, miembro principal del Centro de Ciencia e Ingeniería Computacional y afiliado del Instituto de Datos, Sistemas y Sociedad del MIT. “¿Cuál será el Katrina que ocurrirá cada 100 años? ¿Qué tan grave será? Eso es exactamente lo que estamos tratando de cuantificar, para ayudar a los planificadores a prepararse para escenarios extremos plausibles”.
Más allá de los fenómenos meteorológicos, el enfoque, que el equipo ha denominado Extreme Event Aware, o “η-learning”, se puede aplicar a otros campos, como la navegación robótica y los mercados financieros.
“Las caídas de los mercados financieros son eventos extremos que son una combinación complicada de cosas que involucran a muchos sectores diferentes”, dice Chang. “¿Cuál es la interacción que conduce a una caída del mercado? Eso es algo que este método podría explorar”.
Sapsis y Chang detallan su nuevo método en un artículo de acceso abierto que apareció el 20 de agosto en la revista Nature Communications.
“Más riesgoso que todo”
Para estimar el riesgo de que una región sufra un evento climático extremo, los planificadores, los formuladores de políticas y las compañías de seguros suelen hacer preguntas como “¿Cómo sería una tormenta que ocurre una vez cada 100 años en la ciudad de Nueva York?” Para obtener respuestas, utilizan simulaciones por computadora que deben entrenarse con datos que incluyen eventos extremos que ocurren una vez cada siglo, para conocer las condiciones que conducen a esos eventos y generar escenarios de cómo esos eventos podrían verse en el futuro.
“Estos métodos suponen que hay eventos muy desastrosos que hemos visto en el conjunto de datos, y construyen un método para estimar el riesgo de esos eventos o intentan predecir exactamente los eventos que han ocurrido”, dice Chang. “Estamos tratando de ver: ¿Cómo se ven los eventos extremos sin precedentes que son más riesgosos que todo lo que ha sucedido antes y, sin embargo, siguen siendo plausibles?”
Por ejemplo, si la medida de lluvia más extrema jamás registrada en la ciudad de Nueva York es de 200 milímetros, ¿qué tipo de tormenta produciría una medida aún más extrema, de 300 milímetros? Nunca antes se había registrado un suceso así y aún así podría ser plausible. Los planificadores urbanos querrían saber dónde azotaría una tormenta de este tipo, qué tan grande sería el área que cubriría y qué tan intensa sería. Una simulación de la tormenta podría ayudarles a evaluar la infraestructura y planificar refuerzos.
“Queremos predecir mapas de estos peores escenarios”, dice Sapsis. “No existe ningún método que haga esto de manera eficiente para predecir eventos que ocurren raramente”.
Aprendizaje extremo
El nuevo algoritmo del equipo genera escenarios extremos plausibles y sin precedentes, sin necesidad de entrenar con datos de eventos extremos anteriores. Para hacerlo, el algoritmo combina y aprende estadísticas, o probabilidades, sobre las relaciones entre dos tipos de datos: estadísticas puntuales y mapas espaciales.
Para demostrarlo, los investigadores aplicaron el método para generar mapas de futuros eventos de precipitación extrema en los Estados Unidos continentales. Los investigadores comenzaron con 25 años de mapas de precipitación por hora, que agruparon en mapas diarios. A partir del registro completo, calcularon estadísticas puntuales que describían con qué frecuencia la precipitación máxima en un mapa alcanzaba un nivel determinado. Luego entrenaron el algoritmo en mapas espaciales emparejados de alta y baja resolución de solo los primeros seis meses del registro, que contenían pocos o ningún ejemplo de los niveles de lluvia más extremos.
A partir de estos datos, el algoritmo aprendió cómo los patrones en mapas de baja resolución se corresponden con mapas de precipitación detallados de alta resolución. Luego utilizó las estadísticas puntuales para limitar los extremos de lluvia representados en esos mapas. Esta combinación permite al algoritmo generar patrones espaciales plausibles para eventos más extremos que los representados en los datos de entrenamiento; por ejemplo, las posibles ubicaciones, tamaños e intensidades de un evento de lluvia que ocurre una vez en un siglo con un máximo de 300 milímetros.
Un usuario puede incitar al algoritmo entrenado con una pregunta como: “¿Cómo podría ser una tormenta que ocurre una vez cada siglo en la ciudad de Nueva York?” Luego, el algoritmo genera mapas de tormentas estadísticamente plausibles que probablemente ocurran con esa frecuencia, incluidas características como el tamaño de la tormenta, el área de cobertura y la intensidad de la lluvia.
“Alguien puede decir: ‘Estoy interesado en construir cosas que resistan el riesgo de un evento que ocurre cada 100 años'”, dice Chang. “Lo que podemos hacer entonces es producir miles de realizaciones posibles que sucederán con esta rara frecuencia”.
Siempre que se disponga de estadísticas puntuales y datos espaciales relevantes, el método podría aplicarse para visualizar otros eventos sin precedentes, como inundaciones extremas e incendios forestales.
“Los eventos extremos se han convertido en una preocupación estratégica, no solo ambiental: hemos optimizado los sistemas globales para lograr eficiencia, y el precio de esa eficiencia es que queda muy poco margen de maniobra en cualquier lugar. Un solo evento extremo se propaga a través de las cadenas de suministro, los mercados energéticos y los sistemas alimentarios en semanas”, dice Sapsis. “Poder asignar una probabilidad a un evento que aún no ha ocurrido es ahora una cuestión de resiliencia nacional y económica”.
Esta investigación fue apoyada, en parte, por una beca de la facultad Vannevar Bush y la Oficina de Investigación Científica de la Fuerza Aérea de EE. UU.