Het onzichtbare extreem verbeelden: de statistische gok van MIT en de wiskundige prijs ervan

Weersgebeurtenissen voorspellen zonder historisch precedent is een van de lastigste opgaven voor datagedreven modellen: hun onzekerheid loopt juist daar uit de hand waar eerdere voorbeelden ontbreken. Om die grens te doorbreken stelt een studie van 20 augustus 2026 in Nature Communications, getiteld “Extreme Event Aware (η-) Learning” (artikel s41467-026-76811-x), voor om de training te binden aan de statistiek van een observabele die de mate van extremiteit aangeeft. De auteurs, promovendus Kai Chang en hoogleraar Themis Sapsis van het MIT Center for Computational Science and Engineering, hebben die randvoorwaarde als 1-Wassersteinterm in de verliesfunctie gezet. Zoals Kai Chang aan MIT News uitlegde, is het doel “extreme en ongekende gebeurtenissen te modelleren die niemand ooit heeft gezien en die niet in de dataset staan”.

De methode werd getest op een downscalingtaak voor neerslag met de ERA5-Land-dataset: uurlijkse totale neerslag boven de continentale Verenigde Staten van 1999 tot 2023, samengevoegd tot dagkaarten. Het ruimtelijke deel van het model werd uitsluitend getraind op de eerste zes maanden van de reeks, een periode die volgens MIT vrijwel geen voorbeelden van extreme regenval bevatte. De evaluatie liep over 9.044 gepaarde kaarten in hoge en lage resolutie. De aanpak is bedoeld om planners te helpen worstcasescenario's zonder historisch precedent in cijfers te vatten, zoals de door Themis Sapsis genoemde “Katrina die eens per honderd jaar voorkomt”. Het MIT-persbericht vat het probleem in een vraag: als de zwaarste regenval ooit gemeten in New York 200 millimeter is, welke storm levert er dan 300 op? Dat is de formulering van de vraag, geen uitkomst van het model.

Dat vermogen om voorbij de historische data te reiken kost echter puntsgewijze getrouwheid. Volgens de cijfers uit de arXiv-preprint (een vergelijking met de definitieve versie in Nature Communications was door de betaalmuur niet mogelijk) verlaagt de statistische randvoorwaarde de puntsgewijze getrouwheid ten opzichte van standaardtraining op alleen de gemiddelde kwadratische fout (MSE). Over het hele veld stijgt de RMSE van 2,878 naar 3,112 (+8,13%) en zakt de structurele gelijkenisindex (SSIM) van 0,947 naar 0,944. Op de staartdeelverzamelingen — kwantielen ≥0,95, ≥0,975 en ≥0,99 — loopt de RMSE-toename van 9,21% tot 10,30%, terwijl het SSIM-verlies onder 0,48% blijft. Op de bulkdeelverzamelingen groeit de RMSE met 6,20-6,92%: de nauwkeurigheid verslechtert overal, maar het meest juist daar waar de methode haar meerwaarde zou moeten bewijzen. Tot de beperkingen die de auteurs zelf erkennen behoren de onmogelijkheid om vanuit een scalaire observabele de ruimtelijke locatie van extreme gebeurtenissen eenduidig te bepalen, de kritische afhankelijkheid van een correct gespecificeerde referentieverdeling, en het ontbreken van enige identificatie van de fysische mechanismen die de gebeurtenissen voortbrengen.

Het werk, gefinancierd door een Vannevar Bush Faculty Fellowship en het U.S. Air Force Office of Scientific Research, opent in theorie ook toepassingen in robotnavigatie en op financiële markten. De methode is aangetoond op één variabele, neerslag, en één gebied, de continentale Verenigde Staten, met heranalysegegevens in plaats van directe waarnemingen; MIT schrijft zelf dat uitbreiding naar andere gevaren statistieken en kaarten vergt die specifiek zijn voor dat gevaar. Onafhankelijke validatie buiten de auteursgroep is er niet, evenmin als operationeel gebruik door civiele bescherming of weerdiensten.

De afruil ligt open op tafel: overal een paar procentpunten nauwkeurigheid inleveren, in ruil voor scenario's die de historische data niet bevatten. Of dat loont, hangt af van hoezeer de vooraf gekozen referentieverdeling op de werkelijkheid lijkt — precies het punt dat de auteurs zelf als kritisch aanwijzen.

— Olya