Kan man planlægge for en 100-års storm uden at have set den før? MIT hævder ja. En metode, kaldet Extreme Event Aware – eller η-learning – beskrives i en Nature Communications-artikel offentliggjort 20. august 2026 og uddybes i MIT News 24. august. Idéen er skarp: lær fra hverdagsdata, frasortér det fysisk og statistisk usandsynlige, og generér derefter plausible, men ekstreme, scenarier for storme, varmebølger og skovbrande.
Hvis det holder, er konsekvensen stor. Kommuner, forsyningsselskaber og beredskaber kan få bud på hændelser, de ikke har oplevet, men bør forberede sig på. Spørgsmålet er, om det virker i praksis – og hvordan man undgår falsk tryghed, når historikken er tynd.
Hvad er nyt her
MIT beskriver et værktøj, der kan kortlægge varighed, intensitet og geografisk udbredelse for hypotetiske ekstreme hændelser uden at kende fortidens rekorder. I stedet trænes en algoritme på almindelige datasæt som daglige vejrserier og kortmateriale for en region. Den statistiske kerne bruges til at udelukke usandsynlige kombinationer, hvorefter modellen syntetiserer scenarier, der rammer en ønsket tilbagevendingsfrekvens, eksempelvis 1 gang per 100 år.
I MIT News optræder ph.d.-studerende Kai Chang og professor Themis Sapsis som de centrale forskere. Deres erklærede mål er at modellere det uden fortilfælde: hændelser, der ligger ud over alt i datasættet, men stadig inden for fysikkens og statistikkens grænser. Presseomtalen nævner også potentielle overførsler til robotik og finans, hvor sjældne outliers giver tilsvarende udfordringer.
Hvad metoden lover at levere
Den praktiske leverance ifølge MIT er scenarier, der kan besvare spørgsmål som: Tåler en havvæg en blockbuster-storm? Kan et elnet klare en rekordvarmebølge? Hvor hurtigt breder en brand sig i terrænet omkring byen? Output er ikke kun et tal; det er forløb over tid og rum, som kan køre direkte i simuleringer og planlægningsværktøjer.
Det bryder med praksis, hvor man ofte skalerer kendte hændelser op eller laver ekstremværdetilpasninger på én variabel ad gangen. Her er ambitionen at generere hele multivariate, rumligt korrelerede forløb, der fremstår realistiske – selv om de er sjældne.
Hvorfor det er anderledes end gårsdagens metode
Ekstremværditeori (EVT) er standarden til at ekstrapolere haler i fordelinger. EVT er stærkest, når man har topværdier eller block maxima og rimelig stationaritet – og når målet er et niveau, ikke nødvendigvis en hel tidslig og rumlig film. Klimaforandringer og afhængigheder mellem variabler kan udfordre de antagelser.
MIT-arbejdet går efter at konstruere selve hændelsen som sekvens og felt, baseret på mønstre i hverdagsdata og en mekanisme til at frasortere det urealistiske. I pressematerialet fremhæves, at metoden ikke kræver eksempler på tidligere ekstremer i træningen. Hvis det holder, reducerer det en væsentlig flaskehals i områder uden rig historik.
Antagelser og mulige blindgyder
Motoren hviler på antagelser om afhængigheder i data: samspil mellem vind, nedbør, temperatur, brændbart materiale, terræn osv. Den slags kan være nogenlunde stationært i korte perioder – og bryde sammen, når klimaet skifter eller byområder ændrer sig hurtigt.
Når man genererer en 100-års hændelse uden at have set en 100-års hændelse, antager man, at hverdagens mønstre siger nok om fordelingens kanter, hvis blot man straffer det ulogiske korrekt. Det er en stærk antagelse. Fagfæller vil typisk spørge: Hvordan kalibreres usikkerheden? Hvordan kommunikeres den til brugere? Og hvor følsomt er resultatet over for datakvalitet?
Validering i og uden for papiret
MIT News henviser til en fagfællebedømt artikel i Nature Communications. Den bør være første stop for tekniske læsere, der vil se beviser, evalueringsmetrikker og antagelser opskrevet. Spørgsmålene er konkrete: Er de syntetiske scenarier krydstjekket mod højopløselige fysiske modeller for stormflod, brandspredning eller varmeø-effekter? Er der hold-out perioder, hvor ekstreme forløb, der faktisk skete, testes mod modelgenererede alternativer?
Reproducerbarhed er lige så central: Er kode og datasæt offentligt tilgængelige? Hvis ikke, hvornår? Uafhængig gentagelse på andre regioner end dem i artiklen er en lakmustest. Uden den bliver potentialet stående som lovende – men uprøvet.
Hvad kan man bruge det til i morgen
Sidder man i en kystkommune, peger et første skridt på to spor: generér 10–50 plausible 100-års stormforløb for området, og kør dem gennem eksisterende hydrodynamiske modeller for at se, hvor vandet løber hen, og hvor barrierer bryder. På elnettet kan syntetiske varmebølgeserier trykprøve transformere og lastfordeling. I brandberedskab kan man teste udrykningsstrategier mod alternative fremdriftsbaner for en brand i kuperet terræn.
Det kræver, at output fra η-learning er kompatibelt med de fagspecifikke simulatorer, som allerede er i drift. Det lyder trivielt, men dataformater, tidsopløsning og rumgittere skaber ofte friktion. Et scenarie, der er “plausibelt” statistisk, er værdiløst, hvis det ikke kan afspilles korrekt i en SWAN- eller MIKE 21-kæde, i et elnet-EMS eller i en FireSim-model.
Ressourcer og drift
Hvor tungt er det at køre? MITs materiale oplyser ikke beregningstider eller hardwarekrav i presseomtalen. Det er en blind vinkel, som bør udfyldes i den videnskabelige artikel eller opfølgende dokumentation. Kommuner og beredskaber har sjældent frie GPU-klynger. Hvis træningen er tung, men genereringen let, kan man leve med det. Hvis begge dele er tunge, kræver det partnerskaber eller cloud.
Operationelt kommer governance oveni: Hvem godkender et ekstrem-sæt, hvordan versionsstyres det, og hvordan sikrer man, at ændringer i datagrundlag – nye målere, nye kort – ikke invaliderer tidligere risikovurderinger? Det er ikke glamourøst, men afgørende for tilliden.
Usikkerhed og kommunikation
Når en model siger “1 gang per 100 år”, lyder det klart, men det er det ikke. Det er en sandsynlighed under bestemte antagelser, og de antagelser ændrer sig med klima og byudvikling. En konservativ tilgang i anlægsbeslutninger er at kombinere flere spor: syntetiske scenarier fra η-learning, klassisk EVT-estimering og worst-plausible-fysik fra eksperter på fysiske modeller.
Det stærke ved syntetiske scenarier er, at de kan udfordre vanetænkning. Det farlige er at forveksle udvalgte scenarier med “det værste”. Det er de ikke. Derfor bør hvert scenarie ledsages af dokumentation: forudsætninger, datakilder, følsomhed og simple sanity checks – fx vandmasser, energibudgetter og brandspredningshastigheder i kendte intervaller.
Forsikring og økonomi
Får metoden fodfæste, rammer den forsikrings- og genforsikringsbranchen. Muligheden for at modellere 100- og 500-års hændelser uden rig historik kan ændre prissætning, kapitalbuffer og stresstest. Det er ikke nok, at scenarierne ser realistiske ud; de skal være kalibrerede og have kendt konservatisme, ellers underkapitaliserer man risici. Branchen vil forlange sporbarhed og statistisk dokumentation – ikke kun pæne kort.
Der er også et politisk lag: Hvis syntetiske scenarier peger på dyre forstærkninger af kritiske anlæg, hvem tager regningen, og hvad sker der, hvis efterfølgende år er rolige og modellen kritiseres for at have “skræmt”? Transparens og versionering er værn mod efterrationaliseringer.
Konkurrence og sammenligning
Andre miljøer arbejder allerede med scenariegenerering via generative modeller og med multivariat EVT. Forskellen her – hvis man tager MIT på ordet – er fraværet af træning på ekstremer. Det er tiltalende i regioner uden gode dataserier, men kritikere vil minde om, at ekstremer ofte rummer mekanismer, der ikke afspejles i hverdagens mønstre. Helt uden ekstreme referencer risikerer man at overse koblede tipping points.
En fair test er side-om-side-sammenligning mod klassiske EVT-metoder og domænespecifikke fysiske modeller, dér hvor historiske ekstremer faktisk findes. Ikke som teori, men som praktisk benchmark: Hvem fanger kendte hændelser bedst, og hvem producerer færrest brud på fysikken?
Datakvalitet, mangler og bias
Mange kommuner og selskaber lever med huller i målinger, nedbrudte stationer og skævt fordelte sensorer. En metode, der lærer mønstre fra dagligdagsdata, skal være robust over for den slags – ellers lærer den blot skævhederne. Satellit- og kortdata kan fejle i klassifikationer af landdække, især efter nylig byudvikling eller brand. Hvordan η-learning reagerer på den slags, fremgår ikke af presseomtalen og bør afklares.
Rumlig korrelation er kritisk. Storme og brande er ikke uafhængige pixel for pixel. Hvis metoden ikke respekterer observerede korrelationsstrukturer, kan man få scenarier, der ser plausible ud lokalt, men falder fra hinanden globalt. Her hjælper fysikbaserede sanity checks: masselov, energibudget, kontinuitet.
Integrationsspørgsmål i praksis
For at udnytte output skal der være en klar sti fra genereret scenarie til operativ modelkæde. Det kræver aftalte dataudvekslingsformater, foruddefinerede grænseflader og testede pipelines. Og kompetencer på tværs: statistikere til den generative del, domæneeksperter til at verificere fysikken og driftsteams til at gøre det gentageligt.
En realistisk proces kunne være: datainventar og kvalitetstjek, lille proof-of-concept på én hazard, opsætning af valideringsramme mod kendte hændelser – og først derefter skalering til porteføljen. At springe direkte til store investeringsbeslutninger på første version er fristende, men ukløgtigt.
Hvad der mangler nu
Pressematerialet nævner ikke eksterne kommentarer fra uafhængige klimaforskere, statistikere eller infrastrukturingeniører. Det efterlader et hul. Offentligt tilgængelig kode og datasæt er heller ikke omtalt dér. Hvis Nature Communications-artiklen ikke leverer det, bør forfatterne melde ud, hvordan fællesskabet kan reproducere og udvide arbejdet.
Der savnes også feltstudier med rigtige beslutningsforløb: en kystby, der tester havvægge mod syntetiske storme; et netselskab, der justerer vedligehold ud fra genererede varmebølgedage; et brandberedskab, der øver logistik efter alternative brandbaner. Ikke som PR, men som formel evaluering.
Balancen mellem potentiale og forsigtighed
Konklusionen er mere jordbunden end overskrifterne: lovende metode og stærk motivation – men implementér den som supplement til fysiske modeller og klassiske statistiske værktøjer, ikke som erstatning. Mål succes i konkrete forbedringer af beslutninger, ikke i antallet af genererede scenarier.
Kilder og noter
Hovedpåstande og citater stammer fra MIT News-artiklen “Generating scenarios for extreme events, without extreme data”, 24. august 2026. Den videnskabelige publikation er oplyst som open access i Nature Communications 20. august 2026; tekniske detaljer, antagelser og evalueringsmetrikker bør læses der. Uafhængige kommentarer fra eksterne fagfæller var ikke tilgængelige i det gennemgåede pressemateriale og efterlyses som næste skridt.
Enhver brug af metoden i kritiske beslutninger bør ledsages af dokumenteret validering mod fysiske simulatorer og, hvor muligt, historiske hændelser. Forskellen viser sig først, når man sidder med det i hænderne.
