Um paredão de uma cidade pode suportar uma tempestade de grandes proporções? A rede elétrica de uma região resistirá a um calor recorde? E os recursos de combate a incêndios de uma cidade podem conter um grande incêndio florestal?
Para responder a essas perguntas, as comunidades precisarão primeiro saber como tais eventos extremos poderiam se desenrolar. Quão longe é provável que um incêndio florestal se espalhe? Quanta de uma região uma tempestade pode impactar? Quanto tempo uma onda de calor pode durar?
Mas eventos extremos são notoriamente difíceis de antecipar. Por sua natureza, são exceções. Na história do registro de dados, eventos extremos são esporádicos e raros. No entanto, a maioria dos métodos que avaliam o risco de uma região depende de eventos extremos do passado para caracterizar cenários ainda mais extremos e de pior caso no futuro.
Agora, engenheiros do MIT desenvolveram uma ferramenta que gera eventos extremos plausíveis e cenários de pior caso, e mapeia suas características, como a provável duração, intensidade e área de impacto de uma tempestade extrema. A chave de seu método é que ele não precisa saber sobre eventos extremos anteriores para gerar eventos extremos futuros plausíveis.
Em vez disso, o método, na forma de um algoritmo de ML, aprende com um conjunto de dados, como registros diários de clima e mapas de uma região. Este registro pode ou não conter desvios extremos passados, como calor ou chuva recordes. O algoritmo da equipe adota uma abordagem estatística para aprender com os dados disponíveis, a fim de excluir cenários climáticos implausíveis. O método então gera eventos extremos plausíveis que provavelmente ocorrerão em uma região com uma dada frequência (como uma vez a cada 100 anos) e projeta como esses eventos extremos podem parecer em termos de seu tamanho, intensidade e duração.
“Estamos tentando modelar eventos extremos e sem precedentes que ninguém viu antes, que não estão no conjunto de dados”, diz Kai Chang, um estudante de pós-graduação em engenharia mecânica do MIT e afiliado
Fonte: MIT News - AI
Publicado em 2026-08-24