مقاله
آیا دیوار ساحلی یک شهر توانایی ایستادگی در برابر طوفانی سهمگین و ویرانگر را دارد؟ آیا شبکه برق یک منطقه تاب مقاومت در برابر موج گرمای رکوردشکن را خواهد داشت؟ و آیا امکانات مهار آتش در یک منطقه قادر به کنترل آتش‌سوزی گسترده جنگل خواهد بود؟
برای پاسخ به این پرسش‌ها، جوامع نخست باید بدانند که چنین رویدادهای حدی (فرین) چگونه رقم می‌خورند: یک آتش‌سوزی تا چه گستره‌ای پیشروی خواهد کرد؟ یک طوفان چه بخش‌هایی از یک منطقه را متأثر می‌سازد؟ و یک موج گرما چه مدت به طول خواهد انجامید؟
با این حال، پیش‌بینی رویدادهای فرین همواره امری بسیار دشوار بوده است؛ زیرا این پدیده‌ها ماهیتاً داده‌های پرت و استثنایی به‌شمار می‌روند. در تاریخچه ثبت سوابق، رویدادهای حدی پدیده‌هایی پراکنده و نادر محسوب می‌شوند. با وجود این، اغلب روش‌های سنجش و ارزیابی ریسک در یک منطقه، برای بازشناسی و ترسیم سناریوهای به‌مراتب شدیدتر در بدترین حالت‌های آینده، به داده‌های رویدادهای حدی گذشته وابسته‌اند.
اکنون مهندسان دانشگاه ام‌آی‌تی (MIT) ابزاری نوین توسعه داده‌اند که توانایی شبیه‌سازی سناریوهای محتمل برای رویدادهای حدی و بدترین وضعیت‌های ممکن را دارد و ویژگی‌های آن‌ها — از جمله مدت‌زمان احتمالی، شدت و گستره تحت‌تأثیر یک طوفان فرین — را نقشه‌برداری می‌کند. نقطه قوت این روش در آن است که برای تولید سناریوهای محتمل در آینده، نیازی به داده‌های رویدادهای حدی گذشته ندارد.
این روش در قالب یک الگوریتم یادگیری ماشین عمل می‌کند و الگوها را از مجموعه‌داده‌های معمولی، مانند سوابق و نقشه‌های روزانه وضع هوا در یک منطقه، فرامی‌گیرد؛ سوابقی که ممکن است حاوی انحرافات و رکوردهای حدی گذشته (نظیر گرما یا بارش‌های بی‌سابقه) باشند یا نباشند. الگوریتم این تیم با اتخاذ یک رویکرد آماری، از داده‌های موجود می‌آموزد تا سناریوهای نامحتمل آب‌وهوایی را کنار بگذارد. سپس، این روش سناریوهای حدی محتملی را تولید می‌کند که با بسامد و دوره بازگشت مشخصی در منطقه احتمال وقوع دارند (مانند رویدادهای یک‌بار در هر ۱۰۰ سال) و ویژگی‌هایی نظیر ابعاد، شدت و تداوم زمانی آن‌ها را برآورد می‌نماید.
پژوهشگران در این پروژه در تلاش‌اند رویدادهای فرین و بی‌سابقه‌ای را مدل‌سازی کنند که تاکنون در هیچ مجموعه‌داده‌ای ثبت نشده و تجربه‌ای از آن‌ها وجود ندارد.
پدیده‌ای مانند طوفان کاترینا رویدادی است که هر ۳۰ تا ۴۰ سال یک‌بار رخ می‌دهد، اما رخدادی مشابه کاترینا با دوره بازگشت ۱۰۰ ساله چگونه خواهد بود و چه میزان خسارت به بار خواهد آورد؟ این دقیقاً همان هدفی است که پژوهشگران به‌دنبال کمّی‌سازی آن هستند تا به برنامه‌ریزان در زمینه آمادگی برای سناریوهای حدی محتمل یاری رسانند.
این رویکرد که پژوهشگران آن را یادگیری آگاه از رویداد حدی (Extreme Event Aware) یا «η-learning» نامیده‌اند، علاوه بر مخاطرات آب و هواشناختی، در حوزه‌های دیگر نظیر ناوبری رباتیک و سامانه‌های مالی نیز کاربرد دارد.
سقوط و بحران‌های مالی نیز از جمله رویدادهای حدی پیچیده‌ای هستند که از برهم‌کنش بخش‌های گوناگون ناشی می‌شوند و این متدولوژی جدید می‌تواند نحوه تعاملاتی را که منجر به چنین تکانه‌هایی می‌شوند مورد واکاوی قرار دهد.
جزئیات این روش نوین در مقاله‌ای با دسترسی آزاد در نشریه Nature Communications منتشر شده است.
پرریسک‌تر از هر رویداد گذشته
برنامه‌ریزان، سیاست‌گذاران و شرکت‌های بیمه به‌منظور برآورد ریسک سوانح ناشی از پدیده‌های جوی در یک منطقه، معمولاً با چنین پرسش‌هایی مواجه‌اند: «یک طوفان با دوره بازگشت ۱۰۰ ساله در شهری مانند نیویورک چگونه ظاهر خواهد شد؟» آن‌ها برای پاسخ به این پرسش‌ها از شبیه‌سازی‌های رایانه‌ای بهره می‌برند؛ شبیه‌سازی‌هایی که به‌طور معمول باید با داده‌های رویدادهای فرین گذشته آموزش داده شوند تا شرایط منتهی به آن رخدادها را بیاموزند و سناریوهای آینده را بازسازی کنند.
در روش‌های مرسوم، فرض بر این است که رویدادهای فاجعه‌بار در داده‌های پیشین موجودند و از آن‌ها برای ارزیابی ریسک یا پیش‌بینی دقیق مشابه همان حوادث استفاده می‌شود. اما نوآوری این پژوهش در بررسی سناریوهای فرین بی‌سابقه‌ای است که از تمام تجارب ثبت‌شده گذشته پرریسک‌ترند و در عین حال از دیدگاه فیزیکی و آماری کاملاً محتمل محسوب می‌شوند.
برای نمونه، اگر بالاترین میزان بارش ثبت‌شده در تاریخ یک شهر ۲۰۰ میلی‌متر باشد، چه الگویی از طوفان می‌تواند بارشی شدیدتر به میزان ۳۰۰ میلی‌متر تولید کند؟ چنین پدیده‌ای هرچند سابقه ثبت‌شده‌ای ندارد، اما وقوع آن محتمل است. برنامه‌ریزان شهری نیازمند دانستن این موضوع هستند که چنین طوفانی کدام مناطق را در معرض خطر قرار می‌دهد، چه مساحتی را پوشش می‌دهد و چه شدتی خواهد داشت. شبیه‌سازی این طوفان می‌تواند به ارزیابی آسیب‌پذیری زیرساخت‌ها و شریان‌های حیاتی و تدوین برنامه‌های به‌سازی و مقاوم‌سازی کمک شایانی کند.
هدف نهایی این روش، تولید نقشه‌هایی از بدترین حالت‌های ممکن است؛ رویکردی کارآمد که تاکنون جای خالی آن در پیش‌بینی رویدادهای بسیار نادر به‌شدت احساس می‌شد.
یادگیری در شرایط فرین
الگوریتم جدید این گروه، سناریوهای حدی و بی‌سابقه اما باورپذیر را بدون نیاز به آموزش بر پایه سوابق رویدادهای فرین پیشین تولید می‌کند. برای دستیابی به این هدف، الگوریتم احتمالات و روابط آماری میان دو دسته داده را ترکیب و تحلیل می‌کند: آماره‌های نقطه‌ای و نقشه‌های مکانی.
پژوهشگران برای اعتبارسنجی روش خود، نقشه‌های رویدادهای فرین بارش را برای آینده در پهنه سرزمینی ایالات متحده تولید کردند. آنان ابتدا از سوابق ۲۵ ساله نقشه‌های ساعتی بارش استفاده کرده و آن‌ها را در قالب نقشه‌های روزانه تجمیع نمودند. بر اساس این پایگاه داده، آماره‌های نقطه‌ای محاسبه شد که نشان می‌داد حداکثر بارش در پهنه یک نقشه با چه تواتری به آستانه‌های مشخص می‌رسد. سپس، الگوریتم تنها بر پایه داده‌های جفت‌شده با تفکیک‌پذیری مکانی پایین و بالا مربوط به شش ماه نخست این سوابق — که تقریباً فاقد هرگونه نمونه از بارش‌های بسیار شدید بود — آموزش دید.
الگوریتم بر اساس این داده‌ها آموخت که چگونه الگوهای کلی در نقشه‌های با تفکیک‌پذیری پایین با جزئیات دقیق در نقشه‌های با وضوح بالا پیوند می‌خورند. سپس با اعمال قیدهای آماره‌های نقطه‌ای، حدود بارش‌های فرین را در آن نقشه‌ها مشخص کرد. این تلفیق به الگوریتم اجازه داد الگوهای مکانی واقع‌بینانه‌ای را برای رویدادهایی به‌مراتب شدیدتر از داده‌های آموزشی تولید کند؛ برای مثال، تعیین موقعیت مکانی، گستره و شدت یک رخداد بارشی صدساله با بیشینه ۳۰۰ میلی‌متر.
کاربران می‌توانند سناریوهای مورد نظر خود را در قالب پرسش‌هایی درباره ویژگی‌های طوفان‌های صدساله مطرح کنند. سپس الگوریتم نقشه‌هایی آماری از طوفان‌های محتمل تولید می‌کند که مساحت تحت پوشش، گستره جغرافیایی و شدت بارش را بادقت مشخص می‌سازد.
به کمک این دستاورد، طراحان و مهندسان می‌توانند به‌جای حدس و گمان، سازه‌ها و زیرساخت‌ها را بر اساس هزاران سناریوی محتمل و واقع‌گرایانه متناسب با دوره‌های بازگشت طولانی‌مدت طراحی کنند.
تا زمانی که داده‌های آماری و مکانی مرتبط در دسترس باشند، این شیوه برای تصویرسازی و مدل‌سازی سایر مخاطرات طبیعی بی‌سابقه نظیر سیلاب‌های ویرانگر و آتش‌سوزی‌های گسترده نیز کاربرد دارد.
رویدادهای حدی امروزه به یک دغدغه راهبردی تبدیل شده‌اند؛ چراکه سامانه‌های زیرساختی جهان برای بهره‌وری حداکثری بهینه‌سازی شده‌اند و هزینه این امر، کاهش ظرفیت تطبیق و حاشیه امنیت سیستم‌ها در شرایط بحرانی است. وقوع یک رویداد حدی واحد می‌تواند ظرف چند هفته اثرات خود را در سراسر زنجیره‌های تأمین، بازارهای انرژی و سامانه‌های غذایی گسترش دهد. بنابراین، توانایی سنجش احتمال وقوع رویدادهایی که تاکنون در سوابق تاریخی ثبت نشده‌اند، اکنون عاملی تعیین‌کننده در ارتقای تاب‌آوری ملی و اقتصادی به‌شمار می‌رود.
