大型集成對于預測僅通過歷史數據無法完全理解的罕見、高影響事件至關重要。通過模擬數千個潛在場景，它們提供了必要的統計深度，以評估風險、為極端情況做好準備，并建立抵御一個世紀以來的災難的能力。
全球保險集團 AXA 正在使用 NVIDIA Earth-2 平臺，利用先進的 AI 天氣模型和工具進行模擬，通過重現像 Milton 颶風這樣的颶風并生成數千年的假設颶風場景來改進其颶風風險評估研究。這種方法可以填補數據中的重大空白，從而加深對極端事件統計概率的理解，并改變保險行業應對災害風險的方式。
了解低概率、高影響的颶風事件
2024 年的颶風季以颶風“Milton”和“Helene”等事件為特征，凸顯了極端天氣事件對社會的破壞性影響。對于金融和保險 (FSI) 行業而言，這些罕見但災難性的事件是最需要保險的事件之一，特別是在熱帶氣旋造成重大損害的北大西洋地區。然而，準確評估此類事件的可能性是一項獨特的挑戰。歷史天氣記錄中包含的罕見、有影響力的極端事件不足以實現可靠的統計風險評估。
傳統的風險評估統計方法試圖通過統計上的數據膨脹來解決數據缺乏的問題。然而，物理合理性仍然是這些方法的主要局限性。它們無法捕捉復雜的事件相關性，例如連續發生颶風的概率或強度相互依賴關系。此外，它們會生成歷史事件的變化，而不是全新的場景。相反，基于物理模型的數值模擬雖然準確且在物理上合理，但對于生成數千年來構建這些罕見事件的可靠統計數據所需的合成數據而言，成本高得令人望而卻步。
基于 AI 的天氣建模有可能提供變革性的替代方案，使模擬的運行速度比基于物理性質的方法快幾個數量級，同時達到甚至超過其準確性。根據 ECMWF Scalability Programme：Progress and Plans 的數據，在單個現代 GPU 上對 Spherical Fourier Neural Operator (SFNO) 進行為期一年的模擬僅需 12.8 分鐘，而使用 Integrated Forecast System (IFS) 進行類似的模擬則需要在 1,000 個雙插槽 CPU 節點上花費 1 小時。
AXA 使用 ad hoc 模型通過 AI 生成大量反事實颶風數據集，探索過去可能發生的情況和未來可能發生的情況。這不僅包括單個風暴場景，還包括整個合成颶風季節，為風險評估提供了豐富的數據集。AI 能夠捕捉天氣的混亂性質，這使其成為應對不確定性的行業的寶貴工具。
本文將深入探討颶風風險評估問題，以及 AXA 如何生成假設的颶風季節。這項工作凸顯了 AI 如何助力 AXA 更好地量化和管理罕見極端事件帶來的風險。
模擬颶風場景
Earth-2 為 HENS 等高級 AI 模型提供工具和參考流程，以生成大規模颶風集成。HENS 最初是在 UC Berkeley 開發的，用于預測熱浪，經過優化，可捕獲極端天氣，并量化其相關概率和不確定性。如需了解更多信息，請參閱 Huge Ensembles Part I：使用 Spherical Fourier Neural Operators 設計集成天氣預報 。
定制的 FCN-SFNO 架構和訓練方法已經過優化，可以更好地捕獲極端天氣事件。
- 模型不確定性的多個檢查點：為了解釋預測模型中的不確定性，傳統的數值集成系統會干擾與建模相關的參數，從而對底層預測模型無法解決的效應進行建模。HENS-SFNO 通過采用多個單獨訓練的模型檢查點來復制這種方法。
- 培育初始條件下的向量微擾：為了解決颶風模擬初始狀態中的不確定性，我們定制了培育向量微擾方法，以便結合可用的檢查點集生成校準后的整體。
實驗 1：探索歷史性颶風的替代結果
該實驗側重于模擬單個歷史性颶風，并探索替代結果。除了回答可能發生的情況外，此類數據還有助于評估生成的颶風路徑的質量，并調查所生成的颶風強度偏差。為生成和分析大型歷史颶風集以進行準確的風險評估，已使用 Earth2Studio Python 庫從 Earth-2 平臺實施以下步驟：
第 1 步：設置
選擇訓練期間以外發生的一組颶風，確保模擬的多樣性和相關性。
第 2 步：初始化 HENS
- 生成循環之前：在生成循環（颶風形成）的兩天前開始生成集成。這為模擬事件發生前的大氣狀況提供了充足的時間。
- 周期生成日：在颶風形成的確切日期啟動模擬。
- 循環生成后：在循環生成后兩天啟動模擬，以完善預測。
- 登陸前登陸前兩天：延長模擬時間，以捕獲颶風登陸前兩天的動態和移動，確保有足夠的時間覆蓋范圍來進行準確的預測。 登陸前的一天：在登陸前的一天執行另一組模擬，以完善預測并捕獲細粒度細節。
第 3 步：推出模擬
模擬約 15 天：在颶風登陸后或颶風消散之前，運行颶風集成約 15 天，并捕獲其整個生命周期。
第 4 步：分析音軌
- 追蹤颶風路徑：收集颶風路徑并將其與歷史數據進行比較，以驗證準確性并評估模型性能。
- 比較追蹤器：評估不同的追蹤模型如何捕捉颶風的移動，以及 AI 生成的追蹤器如何匹配觀測到的數據。
第 5 步：分析強度
- 評估強度模式：評估模擬颶風的強度，注意在颶風生命周期中是否發生了任何低估或過高的情況。
- 系統性偏差：研究模型是否低估了颶風強度（這是許多數值天氣模型中的已知問題），并探索糾正方法。
第 6 步：自定義分析
收集地理影響、風暴潮或特定區域影響等其他分析指標，確保集成模擬滿足其特定的風險評估需求。
實驗 1 結果：颶風 Milton 被 AXA 分析工作流程重新審視
颶風“彌敦道 (Hurricane Milton) ”表現出不典型的特征，于 10 月期間在墨西哥灣的西南部發展而成，并且沿異常軌跡向佛羅里達州行進，偏離了該海域和本季的傳統熱帶氣旋氣候學。
圖 1 顯示了使用 Hens-SFNO 對颶風 Milton 進行的模擬，以及圍繞循環生成的多個初始化日期。該模型再現了風暴的軌跡，但在某種程度上低估了地表風的強度。通過各種模型檢查點，可以分析可能影響佛羅里達州不同地區和美國南部海岸的其他軌跡場景。
HENS-SFNO 能夠模擬反事實颶風場景，這使其成為預防風險的重要工具，因為它使應急管理員能夠評估潛在的影響場景并制定更全面的緩解策略。
實驗 2：探索颶風季節的替代結果
本實驗著眼于更廣闊的視角。我們的目標不是關注單個風暴，而是模擬整個颶風季節，以生成有關颶風頻率、強度以及季節內單個事件的相互關系的統計見解。這種方法通過創建全新的合理事件來繪制未來可能的季節性場景。
- 第 1 步：將颶風季分為六周，以減少潛在的模型偏差，例如使用 GPU 進行計算，或者使用 PyTorch 構建模型。
- 第 2 步：在颶風季期間每隔兩周初始化 HENS，并結合不同年份的初始條件 (IC) ，以確保產生不同的結果。
- 第 3 步：在每次模擬開始時運行為期 7 天的預熱期，以允許與初始條件進行部分去相關性。
- 第 4 步：記錄下接下來四周內發生颶風的 cyclogenesis 情況。
- 第 5 步：追蹤按颶風類別分組的密度分析，以評估整個颶風季在不同強度水平下的颶風分布和頻率。
實驗 2 結果：探索反事實熱帶氣旋氣候學
HENS-SFNO 模型可以基于微擾模擬來模擬一個季節中各種未觀察到的軌跡。模擬軌跡集合在擴展其可變性范圍的同時 (使用真值 IBTrACS 數據) 顯示出與氣候學框架的強烈對應關系，從而涵蓋觀測到的軌跡。
但是，該模型需要在近地表風速上進行偏差校正和空間降級，以提高其對風險評估研究的適用性。這種方法的一個主要而強大的優勢在于它能夠快速生成數千個氣候事件的目錄，這對于在不斷和迅速變化的氣候中進行氣候風險建模至關重要。
演示：Hurricane Helene
視頻 1 展示了由 1,024 名成員組成的颶風 Helene 于 2024 年 9 月登陸美國的過程。它展示了 1,024 個樣本中的四個逐個繪制軌道，然后同時繪制完整集成的所有軌道。該集合模型于 2024 年 9 月 23 日初始化，比其被歸類為熱帶風暴還要早 39 小時。結果顯示了當時可能出現的結果范圍。數據在 Earth2 Studio 中使用 HENS 管道生成，而可視化則在 NVIDIA Omniverse 中完成。?
?
視頻 1。由 1,024 名成員組成的颶風 Helene 于 2024 年 9 月登陸美國
結語
AI 正在重塑自然災害風險建模的格局。AXA 和 NVIDIA 正在探索 AI 賦能的天氣預報的潛力，為制定更穩健的風險管理策略和提高應對自然災害的能力鋪平道路。
AXA 研究展示了 AI 驅動的模擬如何增強預測、風險管理和彈性規劃。可以生成大量假設的極端天氣事件集合，從而深入了解罕見自然災害的頻率、嚴重程度和潛在影響。
這些來自大規模集成的高保真數據有助于更深入地了解風險模式，從而改進對災難性事件的估計和管理。大規模模擬大量場景的能力推動了更準確、更主動的決策制定。
如需了解更多信息，請觀看 NVIDIA GTC 2025 會議會話，主題為與 AXA 合作，利用高級計算工具改變自然災害風險模擬。
