För att bedöma ett samhälles risk för extremt väder förlitar sig beslutsfattare först på globala klimatmodeller som kan köras årtionden, och till och med århundraden, framåt i tiden, men bara med en grov upplösning. Dessa modeller kan användas för att mäta, till exempel, framtida klimatförhållanden för nordöstra USA men inte specifikt för Boston.
För att uppskatta Bostons framtida risk för extremt väder som översvämningar kan beslutsfattare kombinera en grov modells storskaliga förutsägelser med en modell med finare upplösning inställd för att uppskatta hur ofta Boston sannolikt kommer att uppleva skadliga översvämningar när klimatet värms upp. Men denna riskanalys är bara lika korrekt som förutsägelserna från den första, grövre klimatmodellen.
"Om du gör fel för storskaliga miljöer, så missar du allt när det gäller hur extrema händelser kommer att se ut i mindre skalor, till exempel över enskilda städer", säger Themistoklis Sapsis, professor i William I. Koch och chef för Center for Ocean Engineering vid MIT:s avdelning för maskinteknik.
Sapsis och hans kollegor har nu utvecklat en metod för att "korrigera" förutsägelserna från grova klimatmodeller. Genom att kombinera maskininlärning med dynamisk systemteori "nuffar" teamets tillvägagångssätt en klimatmodells simuleringar till mer realistiska mönster över stora skalor.
När de parades med modeller i mindre skala för att förutsäga specifika väderhändelser som tropiska cykloner eller översvämningar, gav teamets tillvägagångssätt mer exakta förutsägelser för hur ofta specifika platser kommer att uppleva dessa händelser under de närmaste decennierna, jämfört med förutsägelser som gjorts utan korrigeringsschemat.