Έρευνα επιχειρεί να απαντήσει στο ερώτημα εάν η Τεχνητή Νοημοσύνη (AI) μπορεί να βοηθήσει τις παράκτιες πόλεις να προστατευτούν από την άνοδο της θάλασσας και έκτακτα γεγονότα.
Οι συγγραφείς της έρευνας που παρουσιάζεται από το Conversation τονίζουν ότι: «Το καινοτόμο μοντέλο Τεχνητής Νοημοσύνης που έχουμε αναπτύξει μπορεί να προβλέψει ακραία φαινόμενα παλίρροιας με μεγάλη ακρίβεια, ακόμη και υπό μελλοντικές κλιματικές συνθήκες.
Δεδομένου ότι το μοντέλο Τεχνητής Νοημοσύνης λειτουργεί πολύ πιο γρήγορα, μπορεί να βοηθήσει τους ερευνητές και τους επαγγελματίες του τομέα να εκτιμήσουν καλύτερα τον κίνδυνο πλημμύρας στις παράκτιες περιοχές, με σκοπό τον σχεδιασμό μέτρων προσαρμογής».
Η στάθμη της θάλασσας ανεβαίνει και, μαζί με αυτήν, αυξάνονται και οι κίνδυνοι που ενέχουν τα ακραία φαινόμενα στις ακτές, όπως τα παλιρροιακά κύματα – οι προσωρινές αυξήσεις της στάθμης της θάλασσας που προκαλούνται κυρίως από καταιγίδες και αποτελούν έναν από τους κύριους παράγοντες που οδηγούν σε πλημμύρες στις ακτές.
Για το 10% και πλέον του παγκόσμιου πληθυσμού που ζει σε παράκτιες περιοχές χαμηλού υψομέτρου, ο συνδυασμός της σταδιακής ανόδου της μέσης στάθμης της θάλασσας και των ολοένα και πιο έντονων ακραίων φαινομένων αποτελεί μια αυξανόμενη απειλή, τονίζεται στην έρευνα.
Για τους υπεύθυνους του σχεδιασμού και της χάραξης πολιτικής στον παράκτιο τομέα, το βασικό ζήτημα δεν είναι μόνο η αναμενόμενη άνοδος της μέσης στάθμης της θάλασσας, αλλά και οι αλλαγές στην πιθανότητα εμφάνισης και τη σοβαρότητα των ακραίων φαινομένων.
Ο σχεδιασμός των υποδομών, ο πολεοδομικός σχεδιασμός και η ετοιμότητα για την αντιμετώπιση καταστροφών εξαρτώνται από τις εκτιμήσεις σχετικά με τα σενάρια ακραίων φαινομένων.
Μια σημαντική επιστημονική πρόκληση
Ωστόσο, η πρόβλεψη ακραίων φαινομένων της στάθμης της θάλασσας παραμένει μια σημαντική επιστημονική πρόκληση, καθώς αυτά καθορίζονται από πολύπλοκες, μη γραμμικές αλληλεπιδράσεις μεταξύ παλίρροιας, ατμοσφαιρικών παραγόντων, δυναμικής των ωκεανών και τοπικών χαρακτηριστικών των ακτών.
Αυτό σημαίνει ότι η αβεβαιότητα στις προβλέψεις για ακραία φαινόμενα παραμένει σε μεγάλο βαθμό μη μετρήσιμη.
Μικρές διαφορές στις παραδοχές των μοντέλων μπορούν να οδηγήσουν σε μεγάλες διαφορές στα προβλεπόμενα αποτελέσματα, ειδικά όσον αφορά τα ακραία φαινόμενα.
Αυτή η αβεβαιότητα έχει μεγάλη σημασία για τους υπεύθυνους σχεδιασμού, την πολιτική προστασία και, τελικά, την προστασία ανθρώπινων ζωών και περιουσιακών στοιχείων.
Η αποδοτικότητα των μοντέλων Τεχνητής Νοημοσύνης ανοίγει νέους ορίζοντες, τονίζεται στην έρευνα.
Επειδή τα μοντέλα Τεχνητής Νοημοσύνης μπορούν να παράγουν προβλέψεις πολύ πιο γρήγορα από τα μοντέλα που βασίζονται στη φυσική, επιτρέπουν τη διερεύνηση μεγάλου αριθμού μελλοντικών σεναρίων, κάτι που θα ήταν οικονομικά απαγορευτικό αν χρησιμοποιούνταν μόνο τα παραδοσιακά μοντέλα.
Αυτό είναι ιδιαίτερα σημαντικό για την εκτίμηση κινδύνων, όπου η κατανόηση της πιθανότητας σπάνιων αλλά καταστροφικών αποτελεσμάτων είναι ουσιαστικής σημασίας.
Συνδυασμός
Τα παραδοσιακά μοντέλα που βασίζονται στη φυσική, τα οποία χρησιμοποιούν φυσικούς νόμους για να αναπαραστήσουν την κίνηση των παράκτιων υδάτων, μπορούν να προσομοιώσουν αυτές τις διεργασίες με λεπτομέρεια, αλλά απαιτούν μεγάλο υπολογιστικό κόστος, γεγονός που δυσχεραίνει τη διερεύνηση ενός ευρέος φάσματος μελλοντικών σεναρίων και αβεβαιοτήτων.
Παράλληλα, η Τεχνητή Νοημοσύνη (AI) χρησιμοποιείται όλο και περισσότερο στην κλιματολογία, καθώς προσφέρει νέες ευκαιρίες για την αντιμετώπιση αυτών των προκλήσεων.
Ωστόσο, η αξιοπιστία της παραμένει αβέβαιη σε αυτό το πλαίσιο, κυρίως λόγω δύο βασικών προκλήσεων: της περιορισμένης εκπροσώπησης σπάνιων αλλά εξαιρετικά σοβαρών ακραίων φαινομένων στα δεδομένα εκπαίδευσης, καθώς και της ανάγκης να γενικευθούν τα ευρήματα – με αξιόπιστο τρόπο – σε μελλοντικές κλιματικές συνθήκες που ενδέχεται να διαφέρουν σημαντικά από αυτές που έχουν παρατηρηθεί ιστορικά.
Η Τεχνητή Νοημοσύνη και η μοντελοποίηση με βάση τη φυσική αποτελούν συμπληρωματικά εργαλεία: τα μοντέλα που βασίζονται στη φυσική παραμένουν απαραίτητα για την απεικόνιση των υποκείμενων διεργασιών και για τη δημιουργία των δεδομένων υψηλής ποιότητας που απαιτούνται για την εκπαίδευση και την επικύρωση των μοντέλων Τεχνητής Νοημοσύνης, και τελικά για την οικοδόμηση εμπιστοσύνης στο αντίστοιχο μοντέλο Τεχνητής Νοημοσύνης.
Συνδυάζοντας τον φυσικό ρεαλισμό των παραδοσιακών μοντέλων με την αποτελεσματικότητα και την ευελιξία της Τεχνητής Νοημοσύνης, οι ερευνητές αναπτύσσουν μια νέα γενιά εργαλείων για την εκτίμηση των κινδύνων στις παράκτιες περιοχές.
Τα εργαλεία αυτά θα διαδραματίσουν καθοριστικό ρόλο στη διαμόρφωση στρατηγικών προσαρμογής, βοηθώντας τις κοινωνίες να προετοιμαστούν καλύτερα για ένα μέλλον όπου τα ακραία φαινόμενα που σχετίζονται με τη στάθμη της θάλασσας ενδέχεται να γίνουν πιο συχνά και πιο σοβαρά.
«Τα ευρήματά μας υποδηλώνουν ότι η Τεχνητή Νοημοσύνη μπορεί να χρησιμοποιηθεί με αξιοπιστία για την πρόβλεψη σπάνιων αλλά με μεγάλες επιπτώσεις ακραίων φαινομένων που σχετίζονται με τη στάθμη της θάλασσας. Επιπλέον, τα μοντέλα Τεχνητής Νοημοσύνης, καθώς επιτρέπουν την ταχεία δημιουργία σεναρίων και τη διεξαγωγή δοκιμών ευαισθησίας, προσφέρουν ένα νέο εργαλείο για τον καλύτερο προσδιορισμό αυτών των αβεβαιοτήτων», τονίζουν οι ερευνητές.
Ένας νέος εξομοιωτής Τεχνητής Νοημοσύνης για την πρόβλεψη ακραίων παλιρροιακών κυμάτων
«Στην πρόσφατη μελέτη μας που δημοσιεύθηκε στο περιοδικό Earth’s Future, διερευνήσαμε κατά πόσον τα μοντέλα Τεχνητής Νοημοσύνης μπορούν να προβλέψουν με ακρίβεια ακραία φαινόμενα σχετικά με τη στάθμη της θάλασσας, όταν εκπαιδεύονται ώστε να μιμούνται τα αποτελέσματα προσομοιώσεων και προβλέψεων που βασίζονται στη φυσική. Με άλλα λόγια, τα μοντέλα Τεχνητής Νοημοσύνης που αναπτύξαμε στοχεύουν να μάθουν να αναπαράγουν τα αποτελέσματα αυτών των πιο σύνθετων μοντέλων, αλλά με πολύ ταχύτερο ρυθμό», σημειώνουν οι ερευνητές.
«Τα αποτελέσματά μας δείχνουν ότι οι εξομοιωτές Τεχνητής Νοημοσύνης μπορούν να κατανοήσουν με επιτυχία τις πολύπλοκες δυναμικές που διέπουν τα φαινόμενα της καταιγίδας και να αναπαράγουν ακραία φαινόμενα με μεγάλη ακρίβεια, ακόμη και σε μελλοντικά σενάρια, σε σύγκριση με τις διαθέσιμες προβλέψεις έως τα μέσα του 21ου αιώνα», προσθέτουν.
«Για να το αποδείξουμε αυτό, αναπτύξαμε ένα πλαίσιο με σκοπό να βελτιώσουμε την ικανότητα των μοντέλων Τεχνητής Νοημοσύνης να αποτυπώνουν ακραία φαινόμενα καταιγίδας και να ελέγξουμε αν οι προβλέψεις τους παραμένουν αξιόπιστες σε μελλοντικά σενάρια», τονίζουν οι ερευνητές.
«Επικεντρωθήκαμε στην παράκτια περιοχή της Νέας Υόρκης ως case study, καθώς είναι ιδιαίτερα εκτεθειμένη σε παράκτιες πλημμύρες, διαθέτει πυκνό πληθυσμό, κρίσιμες υποδομές και σημαντικά οικονομικά περιουσιακά στοιχεία – και επειδή έχει υποστεί καταστροφικές καταιγίδες στην πρόσφατη ιστορία της, όπως κατά τη διάρκεια του τυφώνα Σάντι το 2012, ο οποίος προκάλεσε πολλούς θανάτους και οικονομικές ζημίες άνω των 60 δισεκατομμυρίων δολαρίων», σημειώνουν.
«Ο εξομοιωτής Τεχνητής Νοημοσύνης που διαθέτουμε βασίζεται σε ελεύθερα διαθέσιμες προσομοιώσεις με βάση τη φυσική, οι οποίες προέρχονται από το Μοντέλο Παγκόσμιας Παλίρροιας και Κυμάτων (GTSM), όχι μόνο για σκοπούς εκπαίδευσης, αλλά και για την αξιολόγηση της αξιοπιστίας του υπό διαφορετικές κλιματικές συνθήκες, συμπεριλαμβανομένων μελλοντικών σεναρίων», υπογραμμίζουν.
Τρέχοντες περιορισμοί και επόμενα βήματα
Το επόμενο βήμα είναι να δοκιμαστεί περαιτέρω η αξιοπιστία αυτών των εργαλείων Τεχνητής Νοημοσύνης σε ένα ευρύτερο φάσμα κλιματικών σεναρίων και να ενσωματωθούν σε πλαίσια αξιολόγησης επιχειρησιακών κινδύνων καθώς και σε παγκόσμιες υπηρεσίες κλιματικών δεδομένων που παρέχουν υδροκλιματικές και παράκτιες πληροφορίες στους υπεύθυνους λήψης αποφάσεων, όπως το Aqueduct Flood Risk Analyzer και το Copernicus Climate Data Store.
Σε γενικές γραμμές, τα μοντέλα Τεχνητής Νοημοσύνης έχουν τη δυνατότητα να καλύψουν διάφορες κρίσιμες ανάγκες στην ανάλυση των παράκτιων κινδύνων, ωστόσο εξακολουθούν να υπάρχουν σημαντικά κενά.
Αυτά περιλαμβάνουν τη βελτίωση και την αυστηρή ποσοτικοποίηση της μεταβιβασιμότητάς τους σε ένα ευρύ φάσμα μελλοντικών σεναρίων, την καλύτερη αποτύπωση των αβεβαιοτήτων που συνδέονται με τις φυσικές παραμέτρους που ενσωματώνονται στα δεδομένα εκπαίδευσης, καθώς και την αξιολόγηση του βαθμού γενίκευσης αυτών των μοντέλων σε διαφορετικές γεωγραφικές περιοχές.
Η αποσαφήνιση των ορίων των δυνατοτήτων τους όσον αφορά την εξάπλωση των αποτελεσμάτων θα είναι καθοριστικής σημασίας για την ενίσχυση της εμπιστοσύνης στη χρήση τους για τη λήψη αποφάσεων, ιδίως υπό συνθήκες που δεν έχουν παρατηρηθεί στο παρελθόν, λόγω της κλιματικής αλλαγής και των μη στατικών φαινομένων (δηλαδή, αλλαγές στα κλιματικά καθεστώτα και πιο έντονα ακραία φαινόμενα από ό,τι είχε παρατηρηθεί στο παρελθόν), οι οποίες, ως εκ τούτου, βρίσκονται εκτός του φάσματος που καλύπτουν οι προηγούμενες παρατηρήσεις ή οι προσομοιώσεις με βάση τη φυσική που χρησιμοποιήθηκαν για την εκπαίδευση των μοντέλων Τεχνητής Νοημοσύνης, τονίζουν οι ερευνητές.
*Από τον Νεκτάριο Δαργάκη
