For at vurdere et samfunds risiko for ekstremt vejr, stoler politikere først på globale klimamodeller, der kan køres årtier og endda århundreder frem i tiden, men kun med en grov opløsning. Disse modeller kan bruges til for eksempel at måle fremtidige klimaforhold for det nordøstlige USA, men ikke specifikt for Boston.
For at estimere Bostons fremtidige risiko for ekstremt vejr såsom oversvømmelser, kan politikere kombinere en grov models forudsigelser i stor skala med en model med finere opløsning, der er indstillet til at vurdere, hvor ofte Boston sandsynligvis vil opleve skadelige oversvømmelser, når klimaet opvarmes. Men denne risikoanalyse er kun så nøjagtig som forudsigelserne fra den første, grovere klimamodel.
"Hvis du tager fejl for store miljøer, så går du glip af alt med hensyn til, hvordan ekstreme begivenheder vil se ud i mindre skalaer, såsom over individuelle byer," siger Themistoklis Sapsis, William I. Koch-professor og direktør for Center for Ocean Engineering i MIT's Department of Mechanical Engineering.
Sapsis og hans kolleger har nu udviklet en metode til at "korrigere" forudsigelserne fra grove klimamodeller. Ved at kombinere maskinlæring med dynamisk systemteori "skubber" teamets tilgang en klimamodels simuleringer til mere realistiske mønstre over store skalaer.
Når de blev parret med modeller i mindre skala til at forudsige specifikke vejrbegivenheder såsom tropiske cykloner eller oversvømmelser, producerede holdets tilgang mere præcise forudsigelser for, hvor ofte specifikke steder vil opleve disse begivenheder i løbet af de næste par årtier sammenlignet med forudsigelser lavet uden korrektionsskemaet.