Imaginar o extremo invisível: a aposta estatística do MIT e o seu preço matemático

Prever fenómenos meteorológicos sem precedentes históricos é um dos desafios mais difíceis para os modelos baseados em dados, cuja incerteza dispara justamente onde faltam exemplos anteriores. Para ultrapassar esse limite, um estudo publicado a 20 de agosto de 2026 na Nature Communications, intitulado “Extreme Event Aware (η-) Learning” (artigo s41467-026-76811-x), propõe condicionar o treino através da estatística de um observável indicativo do grau de extremidade. Os autores, o doutorando Kai Chang e o professor Themis Sapsis do MIT Center for Computational Science and Engineering, introduziram essa restrição como termo 1-Wasserstein na função de perda. Como Kai Chang explicou ao MIT News, o objetivo é “modelar eventos extremos e sem precedentes que ninguém alguma vez viu, que não estão no conjunto de dados”.

O método foi testado numa tarefa de downscaling da precipitação sobre o conjunto de dados ERA5-Land: precipitação total horária nos Estados Unidos continentais entre 1999 e 2023, agregada em mapas diários. A parte espacial do modelo foi treinada apenas com os primeiros seis meses do registo, um período que, segundo o MIT, não continha praticamente nenhum exemplo de chuvas extremas. A avaliação foi feita sobre 9.044 mapas emparelhados de alta e baixa resolução. A abordagem nasce para ajudar os planeadores a quantificar cenários de pior caso sem precedente histórico, como “o Katrina que acontece a cada cem anos” citado por Themis Sapsis. O comunicado do MIT expõe o problema com uma pergunta: se a chuva mais extrema alguma vez registada em Nova Iorque é de 200 milímetros, que tempestade produziria 300? É a formulação da pergunta, não um resultado produzido pelo modelo.

Essa capacidade de ir além dos dados históricos tem, contudo, um custo em fidelidade pontual. Segundo os números do preprint no arXiv (cuja comparação com a versão definitiva da Nature Communications não foi possível devido ao paywall desta), introduzir a restrição estatística reduz a fidelidade pontual face a um treino padrão baseado apenas no erro quadrático médio (MSE). Em todo o campo, a raiz do erro quadrático médio (RMSE) sobe de 2,878 para 3,112 (+8,13%) e o índice de semelhança estrutural (SSIM) desce de 0,947 para 0,944. Nos subconjuntos de cauda — quantis ≥0,95, ≥0,975 e ≥0,99 — o aumento do RMSE vai de 9,21% a 10,30%, enquanto a perda de SSIM fica abaixo de 0,48%. Nos subconjuntos de bulk o RMSE cresce 6,20-6,92%: a precisão piora em toda a parte, mas piora mais precisamente onde o método deveria dar o seu contributo. Entre as limitações reconhecidas pelos próprios autores estão a impossibilidade de determinar de forma unívoca a posição espacial dos eventos extremos a partir de um observável escalar, a dependência crítica da especificação correta da distribuição de referência e a ausência de identificação dos mecanismos físicos geradores.

O trabalho, financiado por uma Vannevar Bush Faculty Fellowship e pelo U.S. Air Force Office of Scientific Research, abre a aplicações teóricas também na navegação robótica e nos mercados financeiros. O método é demonstrado numa só variável, a precipitação, e numa só área, os Estados Unidos continentais, com dados de reanálise em vez de observações diretas; o próprio MIT escreve que estendê-lo a outros perigos exige estatísticas e mapas específicos desse perigo. Não consta qualquer validação independente externa ao grupo autor, nem uma utilização operacional por parte de entidades de proteção civil ou agências meteorológicas.

O compromisso está declarado: alguns pontos percentuais de precisão cedidos em toda a parte, em troca de cenários que os dados históricos não contêm. Se compensa depende de quanto a distribuição de referência escolhida à partida se parece com a realidade — o ponto que os próprios autores indicam como crítico.

— Olya