城市的防波堤能否抵御特大风暴？地区电网能否承受创纪录的高温？城镇的消防资源能否扑灭大规模野火？要回答这些问题，首先需要了解极端事件可能的演变方式，例如野火的蔓延范围、风暴的影响区域以及热浪的持续时长。极端事件本身稀少且难以预测，传统风险评估方法往往依赖历史极端事件来推断更极端的未来情景。
MIT 的研究团队提出了一种无需历史极端数据即可生成合理极端情景的机器学习工具，称为 Extreme Event Aware（η‑learning）。该算法仅使用区域的日常气象记录和空间地图等常规数据，通过统计学习排除不合理的天气组合，然后在给定的罕见频率（如百年一遇）下生成可能的极端事件，并预测其持续时间、强度和影响面积。
核心思路是将点统计（如单点最大降雨量的分布）与空间地图的低分辨率‑高分辨率对应关系一起学习。研究者以美国大陆 25 年的小时降雨数据为例，将其汇总为日图，计算最大降雨的点统计，并仅使用前六个月的低分辨率‑高分辨率配对图进行训练——这些数据几乎不包含百年一遇的极端降雨。训练后，算法能够在保持点统计约束的前提下，生成比训练数据更极端的空间降雨模式，例如一次百年一遇、最大降雨 300 mm 的暴雨在纽约市的可能分布。
使用者只需提出类似“百年一遇的风暴在纽约会是什么样子？”的查询，系统即可输出成千上万幅符合统计 plausibility 的风暴地图，展示风暴的大小、覆盖范围和降雨强度，帮助规划者评估基础设施的抗风险能力。只要拥有相应的点统计和空间数据，该方法同样适用于极端洪水、野火甚至金融市场崩盘等领域。
极端事件已成为国家和经济韧性的关键挑战。通过为尚未发生的极端情景赋予概率，决策者可以在系统设计和应急准备上留出必要的冗余空间。
博主点评：该方法突破了对历史极端事件的依赖，为城市防灾和系统韧性提供了前所未有的前瞻性工具，值得在更多领域推广应用。