城市防波堤能否抵御特大风暴？地区电网能否承受破纪录的高温？小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。传统风险评估依赖历史极端记录，但极端事件本身稀少且往往是数据的离群点。
MIT 工程师团队提出了一种无需历史极端样本即可生成合理极端情景的机器学习方法，称为 Extreme Event Aware（η‑learning）。该算法仅使用日常观测数据，如地区的每日天气记录和空间地图，统计点位极值出现的频率，然后学习低分辨率与高分辨率空间图之间的对应关系。通过把点统计约束加入生成过程，算法能够合成比训练数据更极端的空间模式，例如一次百年一遇、最大降雨量达 300 mm 的暴雨。
在美国本土的实验中，研究者使用 25 年的小时降雨数据汇总为日图，提取了最大降雨的点统计，并在前六个月的低、高分辨率配对图上进行训练。训练完成后，用户只需提出类似“百年一遇的纽约暴雨会是什么样？”的查询，算法即可输出符合该频率的多幅可能降雨分布图，展示风暴的大小、覆盖面积和强度。
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，只要有相应的点统计和空间数据即可生成罕见情景的可视化。研究表明，随着系统效率提升、弹性空间缩小，单一极端事件会在供应链、能源和粮食系统中产生连锁效应，能够对未出现的极端事件进行概率估计，对国家和经济韧性具有重要意义。
点评