Η ανίχνευση και ο εντοπισμός ακραίων φαινομένων γεωγραφικά σε βάθος χρόνου είναι θεμελιώδους σημασία.
Σοβαρές καταιγίδες, πλημμύρες, πυρκαγιές, ξηρασίες και καύσωνες έχουν σημαντικές επιπτώσεις στο φυσικό περιβάλλον και στον άνθρωπο, συχνά με μακροχρόνιες, ακόμα και μη αναστρέψιμες συνέπειες. Καθώς η συχνότητα, η ένταση και η διάρκεια των ακραίων κλιματικών φαινομένων έχουν αυξηθεί τα τελευταία χρόνια θέτοντας πρωτοφανείς προκλήσεις για το περιβάλλον, την κοινωνία και την οικονομία, σύγχρονα εργαλεία που αξιοποιούν την τεχνητή νοημοσύνη ανοίγουν νέους δρόμους στην ανίχνευση, την πρόβλεψη και την εκτίμηση των επιπτώσεων ακραίων συμβάντων, αν και η αποτελεσματικότητά τους τίθεται ακόμα υπό διερεύνηση.
Μια διεθνής ομάδα ερευνητών, με τη συμμετοχή τριών Ελλήνων επιστημόνων, διερεύνησε τις δυνατότητες και τις προκλήσεις που φέρει η τεχνητή νοημοσύνη στον τομέα των ακραίων καιρικών και κλιματικών γεγονότων. Το σχετικό άρθρο δημοσιεύθηκε στο περιοδικό «Nature Communications».
«Είναι μια εποχή ευκαιρίας γι’ αυτές τις εφαρμογές. Αφενός τα τελευταία 20-30 χρόνια έχουμε δορυφόρους, μετεωρολογικούς σταθμούς, επίγεια δίκτυα, χάρτες γεωλογικούς, έχουμε συλλέξει δεδομένα που δεν είχαμε στο παρελθόν και πλέον έχουμε καταφέρει να μαζέψουμε μια ιστορικότητα για τα τελευταία χρόνια. Αφετέρου, έχουμε όλες αυτές τις τεχνολογίες τεχνητής νοημοσύνης που αλγοριθμικά έχουν αναπτυχθεί πάρα πολύ. Οπότε έχουμε τα δεδομένα, έχουμε τους αλγόριθμους, αλλά έχουμε και το hardware, το υπολογιστικό κομμάτι που χρειάζεται, τις κάρτες γραφικών. Αυτά τα τρία συστατικά είναι απαραίτητα για να μπορέσουμε να κάνουμε τη μοντελοποίηση και να βρούμε τις πολύ δύσκολες αλληλοεξαρτήσεις μεταξύ των μεταβλητών, ώστε να μπορέσουμε να κάνουμε προβλέψεις για τα ακραία καιρικά φαινόμενα», εξηγεί στο ΑΠΕ-ΜΠΕ ένας από τους συγγραφείς του άρθρου, ο Ιωάννης Παπουτσής, επίκουρος καθηγητής του ΕΜΠ και συνεργάτης ερευνητής στο Εθνικό Αστεροσκοπείο Αθηνών και στην ερευνητική μονάδα «Αρχιμήδης» του ερευνητικού κέντρου «Αθηνά».
Πού βρισκόμαστε όμως ως προς την αξιοποίηση αυτών των μοντέλων για την πρόβλεψη, την ανίχνευση και την εκτίμηση των επιπτώσεων των ακραίων καιρικών φαινομένων; «Είμαστε σε πολύ αρχικό στάδιο», απαντά ο κ. Παπουτσής. «Μέσα από αυτό το άρθρο βλέπουμε πόσες διαφορετικές επιστημονικές κατευθύνσεις παραμένουν ανεξερεύνητες και θέλουμε να τις τονίσουμε», συνεχίζει.
Η ανίχνευση και ο εντοπισμός ακραίων φαινομένων γεωγραφικά σε βάθος χρόνου είναι θεμελιώδους σημασίας για την εκτίμηση των επιπτώσεων και τη βελτίωση των στρατηγικών πρόβλεψης και μετριασμού. Οι επιστήμονες αναζητούν στα στοιχεία του παρελθόντος, τις μετεωρολογικές, δορυφορικές και άλλες καταγραφές, ανωμαλίες στα δεδομένα που ξεφεύγουν από την κανονικότητα και άρα τους οδηγούν στην ανίχνευση ενός ακραίου φαινομένου. Οι κλασικές στατιστικές μέθοδοι που έχουν εφαρμοστεί ευρέως για την ανίχνευση των ακραίων γεγονότων, συχνά δεν εντοπίζουν τα γεγονότα και αποτυγχάνουν να συλλάβουν την πολυπλοκότητά τους, όπως σημειώνουν οι ερευνητές. «Δεν είναι εύκολο κοιτώντας κανείς ιστορικά δεδομένα να αντιληφθεί απευθείας τι θεωρείται ακραίο και τι όχι», επισημαίνει ο κ. Παπουτσής. Φέρει ως παράδειγμα την πυρκαγιά στη Δαδιά, στον Έβρο, το 2023, που μπορεί να θεωρείται η μεγαλύτερη που καταγράφηκε ποτέ στη Μεσόγειο, ωστόσο αν συγκριθεί με τις πυρκαγιές στον Καναδά, αποτελεί μια μέση πυρκαγιά. «Άρα μια επιστημονική στόχευση είναι να βρούμε ακριβώς ποιες είναι αυτές οι ανωμαλίες στα δεδομένα που οφείλονται σε ακραίες καταστάσεις», συμπληρώνει. Η τεχνητή νοημοσύνη που εξετάζει πολλαπλές μεταβλητές μαζί, καταγράφει σύνθετες αλληλεπιδράσεις και αξιολογεί χωρικές συσχετίσεις, μπορεί να αλλάξει το τοπίο αυτό.
Στον τομέα της πρόβλεψης των μελλοντικών ακραίων φαινομένων, όπου αξιοποιούνται όλα τα παραπάνω ιστορικά δεδομένα, «μαθαίνουμε από ό,τι έχει γίνει στο παρελθόν και όλες αυτές τις πολύ δύσκολες αλληλεπιδράσεις που συμβαίνουν μεταξύ ατμοσφαιρικών διεργασιών, διεργασιών που συμβαίνουν στη θάλασσα και τη Γη και τον ανθρωπογενή παράγοντα. Όμως όλα αυτά είναι πάρα πολύ δύσκολο κανείς να τα μοντελοποιήσει με εξισώσεις», σύμφωνα με τον κ. Παπουτσή. Πρόσφατα, οι τεχνικές πρόγνωσης που βασίζονται σε βαθιά μηχανική μάθηση έχουν κερδίσει δημοτικότητα λόγω της ικανότητάς τους να επεξεργάζονται μεγάλους όγκους δεδομένων και να αποτυπώνουν σύνθετες μη γραμμικές σχέσεις. Αυτά τα πλεονεκτήματα έχουν οδηγήσει στη δημιουργία παγκόσμιων μοντέλων, μεταξύ άλλων στις προβλέψεις πλημμύρας ή πυρκαγιάς. Οι υβριδικές τεχνικές που βασίζονται στην τεχνητή νοημοσύνη και ενσωματώνονται στα κλιματικά μοντέλα μπορούν, όπως διαπιστώνουν οι ερευνητές, να βελτιώσουν τις προβλέψεις.
Σε έναν τρίτο πυλώνα, τον τομέα της εκτίμησης των επιπτώσεων των ακραίων φαινομένων στην κοινωνία, την οικονομία και το περιβάλλον, που είναι ζωτικής σημασίας, οι επιστήμονες επιχειρούν να κατανοήσουν τον τρόπο με τον οποίο ένα σύστημα αντιδρά σε ακραία γεγονότα. Και στον τομέα αυτό έχει αυξηθεί τα τελευταία χρόνια η χρήση της τεχνητής νοημοσύνης.
Οι προκλήσεις
Η ενσωμάτωση της τεχνητής νοημοσύνης στην ανάλυση ακραίων συμβάντων αντιμετωπίζει αρκετές προκλήσεις, όπως επισημαίνουν οι ερευνητές στο άρθρο τους, συμπεριλαμβανομένων ζητημάτων διαχείρισης δεδομένων, όπως ο χειρισμός δυναμικών συνόλων δεδομένων και οι προκαταλήψεις. Τα μοντέλα τεχνητής νοημοσύνης δυσκολεύονται επίσης με ασαφείς στατιστικούς ορισμούς του τι συνιστά ακραίο.
Ο Ιωάννης Πράπας, υποψήφιος διδάκτορας σε συνεπίβλεψη του Εθνικού Αστεροσκοπείου Αθηνών και του Πανεπιστημίου της Βαλένθια, αλλά και ένας από τους συγγραφείς του άρθρου, εξηγεί στο ΑΠΕ-ΜΠΕ ότι «είναι σημαντικό να τονίσουμε το πόσο δύσκολη είναι η προσέγγιση των ακραίων φαινομένων από την τεχνητή νοημοσύνη. Εξ ορισμού τα φαινόμενα είναι extreme, άρα είναι σπάνια, πάρα πολύ σπάνια, ενώ αντίθετα τα μοντέλα τεχνητής νοημοσύνης δουλεύουν όταν έχεις πολλά δεδομένα. Το δεύτερο, που σχετίζεται και με την κλιματική αλλαγή, είναι ότι τα δεδομένα δεν είναι στατικά. Μαθαίνουμε κάτι από δεδομένα του παρελθόντος για να προβλέψουμε το μέλλον, αλλά το παρελθόν δεν είναι απαραίτητα ενδεικτικό».
Στην έρευνα διαπιστώνονται επιχειρησιακές προκλήσεις, που περιλαμβάνουν την πολυπλοκότητα των αποτελεσμάτων της τεχνητής νοημοσύνης, η οποία εμποδίζει την ερμηνεία από μη ειδικούς, αλλά και την αντίσταση στην υιοθέτηση της νέας αυτής τεχνολογίας λόγω ανησυχιών σχετικά με την αξιοπιστία και την αμεροληψία της.
Η αξιοπιστία είναι το επόμενο μεγάλο στοίχημα που καλείται να κερδίσει η τεχνητή νοημοσύνη, ώστε να μπορέσουν να αξιοποιηθούν τα μοντέλα από επιχειρησιακούς ή άλλους φορείς. Στην κατεύθυνση αυτή αξιοποιείται η Εξηγήσιμη Τεχνητή Νοημοσύνη, που αποσκοπεί στην αποκάλυψη της διαδικασίας λήψης αποφάσεων των μοντέλων τεχνητής νοημοσύνης και διευκολύνει τη μείωση των σφαλμάτων και τη βελτίωση των μοντέλων. Επίσης, σημαντικό στοιχείο είναι το causality, δηλαδή η αιτιώδης συνάφεια, που καταδεικνύει τις λογικές συνδέσεις που προκύπτουν μέσα από τα δεδομένα, αλλά και η εκτίμηση της αβεβαιότητας, δηλαδή πόσο σίγουροι είμαστε για την πρόβλεψη που κάνει το μοντέλο.
«Ειδικά στις περιπτώσεις που χρειάζεται η λήψη αποφάσεων από κάποιον φορέα, όπως την πυροσβεστική ή την πολιτική προστασία, είναι σημαντικό να μπορούμε να έχουμε ένα στοιχείο για το πόσο σίγουροι είμαστε για μία πρόβλεψη, προκειμένου να ξέρουν οι φορείς πόσο σοβαρά πρέπει να λάβουν την απόφαση ενός μοντέλου μηχανικής μάθησης», επισημαίνει στο ΑΠΕ-ΜΠΕ ο Σπύρος Κονδυλάτος, υποψήφιος διδάκτορας στο Εθνικό Αστεροσκοπείο Αθηνών, σε συνεπίβλεψη με το Πανεπιστήμιο της Βαλένθια, και ένας από τους συγγραφείς της μελέτης.
Ο κ. Παπουτσής συμπληρώνει: «Στο επιχειρησιακό κομμάτι υπάρχουν θέματα, όπως η ευθύνη. Δηλαδή, αυτή τη στιγμή κάποιος λαμβάνει τις αποφάσεις στην πολιτική προστασία ή στην πυροσβεστική με βάση τα δεδομένα και είναι υπόλογος γι’ αυτό. Μπορούμε να πούμε αύριο ότι πήρε αυτή την απόφαση γιατί του το είπε το σύστημα τεχνητής νοημοσύνης; Και αν κάτι πάει στραβά, ποιος ευθύνεται; Επίσης, υπάρχουν και άλλες πιο τεχνολογικές προσαρμογές που πρέπει να γίνουν, όπως για παράδειγμα να μπορούν αυτά τα μοντέλα τεχνητής νοημοσύνης τελικά να μιλάνε τη γλώσσα του επιχειρησιακού, ώστε να βοηθήσουν πρακτικά».
Οι εφαρμογές του OrionLab
Οι τρεις Έλληνες συν-συγγραφείς του άρθρου αποτελούν μέλη της ερευνητικής ομάδας OrionLab του Εθνικού Αστεροσκοπείου Αθηνών και του Εθνικού Μετσόβιου Πολυτεχνείου, που έχει βάλει στο επίκεντρο την έρευνα γύρω από τη χρήση της τεχνητής νοημοσύνης στην παρατήρηση της Γης.
Στον τομέα της πρόβλεψης κινδύνου δασικής πυρκαγιάς με βάση τα ιστορικά δεδομένα, η ομάδα έχει αναπτύξει το καινοτόμο μοντέλο Televit, που συνδυάζει τοπική πληροφορία με τηλεσυνδέσεις, δηλαδή πλανητικά φαινόμενα που επηρεάζουν το παγκόσμιο κλίμα (όπως η ταλάντωση Ελ Νίνιο), για να βελτιώσει τη μακροπρόθεσμη πρόβλεψη των ακραίων φαινομένων. Το μοντέλο αναπτύχθηκε στο πλαίσιο του προγράμματος SeasFire, που χρηματοδοτείται από τον Ευρωπαϊκό Οργανισμό Διαστήματος. Επίσης, έχει δημιουργήσει το σύστημα εκτίμησης κινδύνου δασικών πυρκαγιών «FireWatchGreece», το οποίο στηρίζεται σε καινοτόμες μεθόδους τεχνητής νοημοσύνης που αξιοποιούν μετεωρολογικά, δορυφορικά και γεωχωρικά δεδομένα από το Copernicus, καλύπτει όλη την Ελλάδα, είναι υψηλής χωρικής ανάλυσης και έχει ακρίβεια προβλέψεων που ξεπερνάει το 87%. Το σύστημα δοκιμάστηκε και αξιολογήθηκε με πραγματικά δεδομένα πεδίου κατά την τριετία 2021-2023 σε συνεργασία με το Ενιαίο Συντονιστικό Κέντρο Επιχειρήσεων και Διαχείρισης Κρίσεων του Πυροσβεστικού Σώματος και έχει τιμηθεί με το δεύτερο βραβείο από το Κέντρο Καινοτομίας και Επιχειρηματικότητας «Αρχιμήδης» του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών.
Επιπλέον, η ομάδα σε συνεργασία το Ινστιτούτο Max Planck για τη Βιογεωχημεία, το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ECMWF) και το Πανεπιστήμιο της Βαλένθια προχωρά, μέσα από το έργο MeDiTwin, στην ανάπτυξη και αξιοποίηση του Μεσογειακού Ψηφιακού Διδύμου, ενός προηγμένου ερευνητικού εργαλείου που στοχεύει να εμβαθύνει την κατανόησή μας για τις γεωφυσικές διεργασίες στην περιοχή της Μεσογείου.
Τέλος, το OrionLab έχει αναπτύξει ένα προηγμένο σύστημα χαρτογράφησης καμένων εκτάσεων έπειτα από δασικές πυρκαγιές, στο πλαίσιο του ερευνητικού έργου TREEADS. Το μοντέλο εξάγει πληροφορία από πολυφασματικά δορυφορικά δεδομένα υψηλής ανάλυσης και αξιοποιεί βαθιά μηχανική μάθηση. Το τελικό αποτέλεσμα επιτυγχάνει ακρίβεια αρκετά υψηλότερη από αντίστοιχες μεθόδους και αλγόριθμους επιχειρησιακού επιπέδου. Για τις ανάγκες εκπαίδευσης του αλγόριθμου δημιουργήθηκε ένα εκτενές σύνολο δεδομένων για την ελληνική επικράτεια σε συνεργασία με την Ελληνική Πυροσβεστική Υπηρεσία.
ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:
- Τα έσοδα από την τεχνητή νοημοσύνη είναι μεγάλα – Μπορεί όμως να έχουν διάρκεια;
- Το νέο πολιτικό τοπίο και τα ευρήματα των δημοσκοπήσεων
- ΑΠΕ-ΜΠΕ