THet aantal mensen dat in stedelijke gebieden woont, is toegenomen verdrievoudigd in de afgelopen 50 jaar, wat betekent dat wanneer een grote natuurramp zoals een aardbeving een stad treft, er meer levens in gevaar zijn. Ondertussen is de kracht en frequentie van extreme weersomstandigheden toegenomen – een trend ingesteld om door te gaan naarmate het klimaat warmer wordt. Dat stimuleert de inspanningen over de hele wereld om een nieuwe generatie systemen voor aardbevingsmonitoring en klimaatvoorspelling te ontwikkelen, zodat het detecteren van en reageren op rampen sneller, goedkoper en nauwkeuriger dan ooit kan gebeuren.
Op 6 november komt in het Barcelona Supercomputing Center in Spanje voor het eerst het Global Initiative on Resilience to Natural Hazards through AI Solutions bijeen. De nieuwe Verenigde Naties initiatief heeft tot doel overheden, organisaties en gemeenschappen te begeleiden bij het gebruik van AI voor rampenbeheer.
Het initiatief bouwt voort op bijna vier jaar werk dat is gelegd door de Internationale Telecommunicatie-unie, de Wereld Meteorologische Organisatie (WMO) en het VN-milieuprogramma, die begin 2021 gezamenlijk een bijeenkomst hebben georganiseerd focusgroep om te beginnen met het ontwikkelen van beste praktijken voor AI-gebruik bij rampenbeheer. Deze omvatten het verbeteren van de gegevensverzameling, het verbeteren van prognoses en het stroomlijnen van de communicatie.
“Wat ik spannend vind, is dat er voor één type gevaar zoveel verschillende manieren zijn waarop AI kan worden toegepast en dat dit veel kansen creëert”, zegt Monique Kuglitsch, voorzitter van de focusgroep. Neem bijvoorbeeld orkanen: in 2023 onderzoekers toonde aan dat AI beleidsmakers kan helpen bij het identificeren van de beste plaatsen om verkeerssensoren te plaatsen om wegblokkades te detecteren na tropische stormen in Tallahassee, Florida. En in oktober gebruikten meteorologen AI-weersvoorspellingsmodellen om nauwkeurig voorspel dat Orkaan Milton zou landen in de buurt van Siesta Key, Florida. AI wordt ook gebruikt om burgers efficiënter te waarschuwen. Vorig jaar, De Nationale Weerdienst aangekondigd een partnerschap met AI-vertaalbedrijf Klein om voorspellingen in het Spaans en vereenvoudigd Chinees te helpen leveren, wat volgens hen de tijd voor het vertalen van een orkaanwaarschuwing kan verkorten van een uur naar 10 minuten.
Naast het helpen van gemeenschappen bij de voorbereiding op rampen, wordt AI ook gebruikt om de responsinspanningen te coördineren. Beide volgen Orkaan Milton En Orkaan Iannon-profitorganisatie GiveDirectly gebruikte de machine learning-modellen van Google om pre- en post-satellietbeelden te analyseren om de zwaarst getroffen gebieden te identificeren en dienovereenkomstig prioriteit te geven aan geldsubsidies. Vorig jaar werd AI-analyse van luchtbeelden ingezet in steden als Quelimane, Mozambique, na de cycloon Freddy en Adıyaman, Turkije, na een aardbeving met een kracht van 7,8, om de responsinspanningen te ondersteunen.
Lees meer: Hoe meteorologen AI gebruiken om orkaan Milton en andere stormen te voorspellen
Het exploiteren van systemen voor vroegtijdige waarschuwing is in de eerste plaats een verantwoordelijkheid van de overheid, maar AI-klimaatmodellering – en, in mindere mate, de detectie van aardbevingen – is een groeiende particuliere industrie geworden. Opstarten Seismische AI zegt dat het samenwerkt met de civiele beschermingsagentschappen in de Mexicaanse staten Guerrero en Jalisco om een AI-versterkt netwerk van sensoren in te zetten, dat aardbevingen in realtime zou kunnen detecteren. Technische reuzen Googlen, NvidiaEn Huawei werken samen met Europese voorspellers en zeggen dat hun AI-gestuurde modellen duizenden keren sneller nauwkeurige middellangetermijnvoorspellingen kunnen genereren dan traditionele modellen, terwijl ze minder rekenintensief zijn. En in september IBM partnered met NASA om een open-sourcemodel voor algemeen gebruik uit te brengen dat kan worden gebruikt voor verschillende gevallen van klimaatmodellering, en dat op een desktop draait.
AI gaat vooruit
Hoewel machine learning-technieken al vele jaren in weersvoorspellingsmodellen zijn opgenomen, hebben recente ontwikkelingen het mogelijk gemaakt dat veel nieuwe modellen vanaf de basis met behulp van AI kunnen worden gebouwd, waardoor de nauwkeurigheid en snelheid van de voorspellingen zijn verbeterd. Traditionele modellen, die gebaseerd zijn op complexe, op natuurkunde gebaseerde vergelijkingen om de interacties tussen water en lucht in de atmosfeer te simuleren en waarvoor supercomputers nodig zijn, kunnen er uren over doen om één enkele voorspelling te genereren. Daarentegen leren AI-weermodellen patronen herkennen door te trainen op tientallen jaren aan klimaatgegevens, waarvan het grootste deel werd verzameld via satellieten en op de grond gebaseerde sensoren en werd gedeeld via intergouvernementele samenwerking.
Zowel op AI als op fysica gebaseerde voorspellingen werken door de wereld in een driedimensionaal raster van vakken te verdelen en vervolgens variabelen zoals temperatuur en windsnelheid te bepalen. Maar omdat AI-modellen rekenefficiënter zijn, kunnen ze veel fijnmaziger rasters creëren. Het model met de hoogste resolutie van het Europees Centrum voor Weersverwachtingen op Middellange Termijn verdeelt de wereld bijvoorbeeld in vakken van 5,5 mijl, terwijl het voorspellen van het opstarten van Atmo biedt modellen fijner dan een vierkante mijl. Deze hobbel in de resolutie kan een efficiëntere toewijzing van middelen tijdens extreme weersomstandigheden mogelijk maken, wat vooral belangrijk is voor steden, zegt Johan Mathe, mede-oprichter en CTO van het bedrijf, dat eerder dit jaar zijn handtekening zette aanbiedingen met de Filippijnen en de eilandstaat Tuvalu.
Beperkingen
AI-gestuurde modellen zijn doorgaans slechts zo goed als de gegevens waarop ze zijn getraind, wat op sommige plaatsen een beperkende factor kan zijn. “Als er echt veel op het spel staat, zoals een ramp, moet je kunnen vertrouwen op de modeloutput”, zegt Kuglitsch. Armere regio’s – vaak op de frontlinies van klimaatgerelateerde rampen – hebben doorgaans minder en slechter onderhouden weersensoren, waardoor er bijvoorbeeld hiaten in de meteorologische gegevens ontstaan. AI-systemen die op deze scheve gegevens zijn getraind, kunnen minder nauwkeurig zijn op de plaatsen die het meest kwetsbaar zijn voor rampen. En in tegenstelling tot op natuurkunde gebaseerde modellen, die vaste regels volgen, functioneren AI-modellen steeds complexer als geavanceerde ‘zwarte dozen’, waarbij het pad van input naar output minder transparant wordt. De focus van het VN-initiatief ligt op het ontwikkelen van richtlijnen voor een verantwoord gebruik van AI. Kuglitsch zegt dat standaarden ontwikkelaars bijvoorbeeld kunnen aanmoedigen om de beperkingen van een model bekend te maken of ervoor te zorgen dat systemen over regionale grenzen heen werken.
Het initiatief zal zijn aanbevelingen in het veld testen door samen te werken met de mediterrane en pan-Europese prognoses Systeem voor vroegtijdige waarschuwing tegen natuurlijke gevaren (MedEWSa), een project dat voortkwam uit de focusgroep. „We gaan de best practices uit de focusgroep toepassen en een feedbackloop op gang brengen, om erachter te komen welke van de best practices het gemakkelijkst te volgen zijn“, zegt Kuglitsch. Eén MedEWSa-proefproject zal machinaal leren onderzoeken om het optreden van bosbranden in een gebied rond Athene, Griekenland, te voorspellen. Een ander land zal AI gebruiken om de waarschuwingen voor overstromingen en aardverschuivingen in de omgeving van de stad Tbilisi, Georgië, te verbeteren.
Lees meer: Hoe de cementindustrie koolstofnegatieve bouwmaterialen creëert
Ondertussen houden particuliere bedrijven ervan Morgen.io proberen deze lacunes te dichten door hun eigen gegevens te verzamelen. De AI-weersvoorspellingsstartup heeft satellieten met radar en andere meteorologische sensoren gelanceerd om gegevens te verzamelen uit regio's waar geen sensoren op de grond aanwezig zijn, die het combineert met historische gegevens om zijn modellen te trainen. De technologie van Tomorrow.io wordt gebruikt door steden in New England, waaronder Boston, om stadsfunctionarissen te helpen beslissen wanneer ze de wegen moeten strooien voordat er sneeuw valt. Het wordt ook gebruikt door Uber en Delta Airlines.
Een ander VN-initiatief, de Systematische observaties Financieringsfaciliteit (SOFF), heeft ook tot doel de kloof in weergegevens te dichten door financiering en technische hulp te bieden aan armere landen. Johan Stander, directeur diensten van de WMO, een van de partners van SOFF, zegt dat de WMO samenwerkt met particuliere AI-ontwikkelaars, waaronder Google en Microsoft, maar benadrukt hoe belangrijk het is om niet te veel verantwoordelijkheid af te dragen aan AI-systemen.
'Je kunt niet naar een machine gaan en zeggen: 'Oké, je had het mis.' Geef antwoord, wat is er aan de hand?' Je hebt nog steeds iemand nodig die dat eigenaarschap overneemt”, zegt hij. Hij ziet de rol van particuliere bedrijven als ‘het ondersteunen van de nationale meetdiensten, in plaats van te proberen deze over te nemen’.
