Η κόλαση των τελευταίων ημερών, με δάση και περιουσίες στην Ανατολική Αττική παραδομένα στις φλόγες, καταδεικνύει για άλλη μία φορά ότι το «οπλοστάσιο» της πολιτείας στη μάχη με τις δασικές πυρκαγιές είναι ανεπαρκές. Η αντιμετώπισή τους, εκτός από τον αναγκαίο επανασχεδιασμό του μοντέλου της καταστολής, απαιτεί νέες προσεγγίσεις στην πρόληψη, καθώς η κλιματική αλλαγή έχει αλλάξει τα δεδομένα και οι «megafires» φαίνεται ότι πλήττουν πλέον και την Ελλάδα.

Και σε αυτή τη μάχη υπάρχει πλέον ένα νέο «οπλοστάσιο» που μπορεί να προσφέρει η τεχνητή νοημοσύνη (Artificial Intelligence – AI). Στον τομέα των δασικών πυρκαγιών, εφαρμογές τεχνητής νοημοσύνης αφορούν τον εντοπισμό δασικών πυρκαγιών, τη διαχείριση των πόρων κατάσβεσης, την αξιολόγηση κινδύνου δασικής πυρκαγιάς αλλά και την πρόβλεψη της συμπεριφοράς της.

Για παράδειγμα, το σύστημα CIVICS/DRYADS που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών (ΕΚΠΑ), μέσω καινοτόμων αλγορίθμων και μοντέλων τεχνητής νοημοσύνης που αξιοποιεί για την ανίχνευση φωτιάς, εντοπίζει ανθρωπογενείς κινδύνους (όπως συγκεντρώσεις απορριμμάτων και καύσιμης ύλης σε δάση), συμβάλλοντας σημαντικά στην πρόληψη πυρκαγιών.

Γενικότερα, η AI – και κυρίως η μηχανική μάθηση που αποτελεί υποσύνολό της – στηρίζει εφαρμογές τόσο για τον μετριασμό της κλιματικής αλλαγής (δηλαδή τη μείωση των εκπομπών αερίων θερμοκηπίου) όσο και για την προσαρμογή σε αυτή.

Εκτίμηση θερμικού κινδύνου

Η χρήση της τεχνητής νοημοσύνης υποστηρίζει τη συνδυασμένη ανάλυση μεγάλου όγκου δεδομένων που αφορούν τις πόλεις (αστικές λειτουργίες, μορφολογία, αστικά υλικά και δημογραφικά χαρακτηριστικά). Προσφάτως ολοκληρώθηκε η συνεργασία του ΕΚΠΑ με το Πανεπιστήμιο Νέας Υόρκης και άλλα τρία πανεπιστήμια από την Ευρώπη και τη Νότια Αμερική για την εκτίμηση του θερμικού κινδύνου σε πόλεις διαφορετικού μεγέθους (Νέα Υόρκη, Βαρκελώνη, Αθήνα, Πεκίνο, Μπουένος Αϊρες, Σαντιάγο κ.ά.).

«Η μηχανική μάθηση βοήθησε στην ταχεία επεξεργασία τεράστιου όγκου δεδομένων για την ιεράρχηση των μηχανισμών που είναι σημαντικότεροι σε μια πόλη, αλλά και την οργάνωσή της σε ζώνες με ομοειδή χαρακτηριστικά. Κάτι τέτοιο υποστηρίζει τον εντοπισμό των μέτρων που θα πρέπει να εφαρμοστούν ανά αστική ζώνη για τη βελτίωση της ανθεκτικότητας στις υψηλές θερμοκρασίες και στους καύσωνες που φέρνει η κλιματική αλλαγή» επισημαίνει στο «Βήμα» ο καθηγητής του ΕΚΠΑ Κωνσταντίνος Καρτάλης.

Αξιοποίηση των ΑΠΕ

Τα μοντέλα μηχανικής μάθησης μπορούν να προβλέπουν τη διαθεσιμότητα ηλιακής ή αιολικής ενέργειας και σε μελλοντικές κλιματικές περιόδους. Οπως επισημαίνει ο ερευνητής στο ΕΚΠΑ Κωνσταντίνος Φιλιππόπουλος, «σε πρόσφατη έρευνα που πραγματοποιήσαμε στο ΕΚΠΑ εκτιμήθηκε – με τη χρήση νευρωνικών δικτύων που αποτελούν υποσύνολο της μηχανικής μάθησης – το δυναμικό των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) για την Ελλάδα από το 2040 και μετά, βελτιστοποιώντας έτσι την ενσωμάτωσή τους στο ηλεκτρικό δίκτυο και αξιολογώντας την οικονομική βιωσιμότητα των συγκεκριμένων επενδύσεων».

Παράλληλα, σύμφωνα με τον ίδιο, η χρήση της μηχανικής μάθησης βελτίωσε την εκτίμηση του ανέμου σε περιοχές της Ελλάδας με έντονο ανάγλυφο. Πληροφορίες πολύτιμες καθώς η επιτυχία του ευρωπαϊκού Green Deal, δηλαδή του ευρωπαϊκού σχεδίου για την ανάσχεση της κλιματικής αλλαγής, βασίζεται στις επενδύσεις ΑΠΕ.

Εκτίμηση ακραίων φαινομένων

Τα μοντέλα μηχανικής μάθησης μπορούν να εντοπίζουν πολύπλοκα μοτίβα και τις συνδέσεις μεταξύ των μετεωρολογικών – κλιματικών παραμέτρων και των ακραίων καιρικών φαινομένων. Σύμφωνα με τον Παγκόσμιο Μετεωρολογικό Οργανισμό, η τεχνητή νοημοσύνη μπορεί να βελτιώσει την απεικόνιση δημιουργίας και κίνησης των νεφών, οδηγώντας σε καλύτερες προβλέψεις για τις έντονες βροχοπτώσεις. Κάτι τέτοιο είναι ιδιαίτερα σημαντικό στα στάδια που προηγούνται λ.χ. μιας ακραίας καταιγίδας, καθώς η εκτίμηση του χρόνου εμφάνισης και της έντασης του ακραίου φαινομένου διευκολύνει την προληπτική λήψη μέτρων πολιτικής προστασίας.

Το σύστημα πρόβλεψης πλημμυρών της Google π.χ. δοκιμάστηκε με σημαντική επιτυχία στην Ινδία και στο Μπανγκλαντές.  Ωστόσο, σύμφωνα με πρόσφατες δημοσιεύσεις, τα μοντέλα αυτά συχνά υποεκτιμούν την ένταση του ακραίου φαινομένου ή μεταχρονολογούν την εμφάνισή του, γεγονός που επισημαίνει την ανάγκη περαιτέρω έρευνας.

Σε διεθνές επίπεδο, ιδιαίτερο βάρος έχει δοθεί στη βελτίωση της πρόγνωσης του καιρού και στις προσομοιώσεις του μελλοντικού κλίματος, όπως π.χ. το μοντέλο NeuralGCM που αναπτύχθηκε από την Google DeepMind, το ΜΙΤ, το Χάρβαρντ και το Ευρωπαϊκό Κέντρο Μεσοπρόσθεσμων Μετεωρολογικών Προγνώσεων (ECWMF). Το συγκεκριμένο μοντέλο έχει «εκπαιδευθεί» με βάση μετεωρολογικά δεδομένα των προηγούμενων δεκαετιών και υπερτερεί σε ταχύτητα.

Μάλιστα, για τη θερμοκρασία αέρα οι προγνώσεις του για μελλοντικό διάστημα από 2 έως 12 μήνες αποδείχθηκαν αξιόπιστες καθώς εντόπισαν τις υψηλές θερμοκρασίες διαρκείας που κατεγράφησαν στην Ελλάδα κατά την τρέχουσα θερινή περίοδο.

Η AI παρέχει επίσης τη δυνατότητα ενίσχυσης των τεχνολογιών έξυπνων ηλεκτρικών δικτύων προβλέποντας τη ζήτηση ενέργειας σε συνάρτηση με αναπτυξιακά, πληθυσμιακά, μετεωρολογικά και κλιματικά χαρακτηριστικά, βελτιστοποιώντας έτσι την ενσωμάτωση της «πράσινης» ενέργειας. Μπορεί ακόμη να ελέγχει πιο αποδοτικά τα συστήματα θέρμανσης και κλιματισμού, μειώνοντας την κατανάλωση ενέργειας στα κτίρια.

Προστασία περιβάλλοντος

Με εφαρμογές AI μπορεί, επίσης, να παρακολουθούνται τα δάση (ανιχνεύοντας αλλαγές στη βλάστηση ανά είδος δέντρου) ή κοραλλιογενείς ύφαλοι. Υποστηρίζεται επίσης η ροή της κυκλοφορίας των οχημάτων, περιορίζοντας κυκλοφοριακά προβλήματα και οδηγώντας σε χαμηλότερες εκπομπές διοξειδίου του άνθρακα. H τεχνητή νοημοσύνη έχει επίσης σημαντική εφαρμογή στη διαχείριση υδατικών πόρων.

Η βελτίωση των εκτιμήσεων για τις επιπτώσεις της κλιματικής αλλαγής στον υδρολογικό κύκλο τα επόμενα χρόνια επιτρέπει τον ανασχεδιασμό γεωργικών πρακτικών και την αναδιάρθρωση καλλιεργειών όπου κρίνεται αναγκαίο. Ιδιαίτερη είναι η χρησιμότητά της στη γεωργία ακριβείας που χρησιμοποιεί προηγμένους αισθητήρες για να συλλέγει σε πραγματικό χρόνο πληροφορίες σχετικά με το έδαφος, την ωρίμαση των καλλιεργειών, τον καιρό, με στόχο την αύξηση των γεωργικών αποδόσεων.