تولید سناریو برای رویدادهای شدید، بدون داده‌های شدید.

آیا دیواره‌های ساحلی یک شهر می‌توانند در برابر طوفان‌های ویرانگر مقاومت کنند؟ آیا شبکه برق منطقه‌ای می‌تواند در برابر گرمای بی‌سابقه دوام بیاورد؟ و آیا منابع آتش‌نشانی یک شهر قادر به مهار آتش‌سوزی بزرگ خواهند بود؟ برای پاسخ به این سوالات، جوامع ابتدا باید بدانند که چنین رویدادهای شدیدی چگونه ممکن است رخ دهند. یک آتش‌سوزی چقدر احتمال دارد گسترش یابد؟ طوفان چه میزان از یک منطقه را تحت تاثیر قرار می‌دهد؟ موج گرما چه مدت طول خواهد کشید؟ اما پیش‌بینی رویدادهای شدید به طور بدنامی دشوار است. ذاتاً، آن‌ها موارد پرت هستند. در تاریخچه ثبت وقایع، رویدادهای شدید پراکنده و نادر هستند. با این حال، بیشتر روش‌هایی که خطر یک منطقه را ارزیابی می‌کنند، برای مشخص کردن سناریوهای بدترین حالت حتی افراطی‌تر در آینده، به رویدادهای شدید گذشته متکی هستند. اکنون، مهندسان MIT ابزاری توسعه داده‌اند که رویدادهای شدید و سناریوهای بدترین حالت محتمل را ایجاد می‌کند و ویژگی‌های آن‌ها مانند مدت زمان احتمالی، شدت و منطقه تحت تاثیر یک طوفان شدید را ترسیم می‌کند. کلید روش آن‌ها این است که برای تولید رویدادهای شدید آینده‌ی محتمل، نیازی به دانستن رویدادهای شدید گذشته ندارد. در عوض، این روش که به شکل یک الگوریتم یادگیری ماشین است، از مجموعه داده‌ای مانند سوابق آب و هوایی روزانه یک منطقه و نقشه‌ها یاد می‌گیرد. این رکورد ممکن است حاوی انحرافات شدید گذشته مانند گرمای بی‌سابقه یا باران باشد یا نباشد. الگوریتم تیم با رویکرد آماری از داده‌های موجود یاد می‌گیرد تا سناریوهای آب و هوایی غیرمنطقی را حذف کند. سپس روش، سناریوهای محتمل را تولید می‌کند.