Πρόγνωση καύσωνα με ΑΙ: Πόσο έγκαιρα μας προειδοποιεί; Οι παράμετροι «κλειδιά»

Τη στιγμή που στο Μπελέμ της Βραζιλίας στην COP30, κοινώς στην 30ή Διάσκεψη εκπροσώπων από 198 χώρες για το (πολύπαθο) κλίμα, φαίνεται ότι το μέλλον του κλίματος μάλλον αποτελεί ουσιαστικώς το τελευταίο ζήτημα που απασχολεί τους μεγάλους του κόσμου καθώς… προηγούνται άλλα, οι επιστήμονες συνεχίζουν άοκνα να αναζητούν λύσεις προκειμένου να διαμορφώσουν ένα… κλίμα πιο βιώσιμο για την κοινωνία και την οικονομία βοηθώντας τον παγκόσμιο πληθυσμό να αντεπεξέλθει στη λαίλαπα της κλιματικής αλλαγής.

Σε αυτό ακριβώς το προστατευτικό πλαίσιο κινείται και μια νέα μελέτη που ανήκει σε ερευνητές του Ευρωμεσογειακού Κέντρου για την Κλιματική Αλλαγή (CMCC) και η οποία υπόσχεται να συμβάλει στην καλύτερη διαχείριση των ολοένα και συχνότερων (ελέω της αλλαγής του κλίματος) καυσώνων που κάθε καλοκαίρι χτυπούν αλύπητα όχι μόνο τις νότιες χώρες της Ευρώπης όπως η δική μας αλλά ακόμη και τον άλλοτε δροσερό Βορρά.

Καλύτερες προβλέψεις

Η μελέτη όμως αυτή που δημοσιεύθηκε πρόσφατα στο επιστημονικό περιοδικό «Nature Communications Earth & Environment» δεν ανήκει μόνο στους ειδικούς του CMCC αλλά και στην… Τεχνητή Νοημοσύνη (ΑΙ) η οποία, σύμφωνα με όσα είπε στο ΒΗΜΑ-Science o επικεφαλής της ερευνητικής ομάδας, δρ Ρόναν Μακ Ανταμ, «φέρνει επανάσταση στην επιστήμη του κλίματος επιτρέποντας ταχύτερες, πιο ακριβείς και οικονομικές προβλέψεις. Η μηχανική μάθηση αναμένεται να αποδειχθεί θεμελιώδης στη μελέτη της μεταβολής του κλίματος και η μελέτη μας απέδειξε τη χρησιμότητά της στην πρόβλεψη των ακραίων φαινομένων. Πρέπει όμως να σημειώσουμε ότι κάναμε τώρα μόλις ένα πρώτο βήμα σε ό,τι αφορά τον προσδιορισμό του τρόπου με τον οποίο θα χρησιμοποιούμε τη μηχανική μάθηση ώστε να λαμβάνουμε εύκολα ερμηνεύσιμα και χρήσιμα αποτελέσματα».

4 τουλάχιστον περισσότεροι καύσωνες κατ’ έτος αναμένονται την περίοδο 2025-2045 σε σύγκριση με την περίοδο 1971-2000 στην Ελλάδα – και έως και 8 περισσότεροι σε περιοχές της Νότιας Ελλάδας – σύμφωνα με την ερευνητική ομάδα του καθηγητή Κωνσταντίνου Καρτάλη από τον Τομέα Φυσικής Περιβάλλοντος – Μετεωρολογίας του ΕΚΠΑ.

Ας δούμε ποιο ήταν αυτό το βήμα το οποίο ελπίζουμε να αποδειχθεί… μεγάλο για την ανθρωπότητα καθώς οι καύσωνες αυξάνονται σε συχνότητα, ένταση και διάρκεια και απαιτούν την ανάπτυξη πρώιμων έγκυρων συστημάτων πρόβλεψής τους προκειμένου να μειωθεί ο τραγικός αντίκτυπός τους για τον πληθυσμό.

Το νέο σύστημα λοιπόν του CMCC αναλύει μέσω τεχνικών μηχανικής μάθησης περί τις 2.000 διαφορετικές παραμέτρους και επιλέγει τους συνδυασμούς που προσφέρουν την καλύτερη πρόβλεψη των καυσώνων με βάση την κάθε περιοχή. Η μέθοδος αυτή, όπως είδαν οι ερευνητές, αποδεικνύεται όχι μόνο ισάξια αλλά και σε αρκετές περιπτώσεις ανώτερη των παραδοσιακών συστημάτων πρόβλεψης.

Οι παράμετροι-«κλειδιά»

Παράλληλα, σύμφωνα με τον δρα Μακ Ανταμ, «το νέο σύστημα παρέχει πληροφορίες σχετικά με το ποιες παράμετροι πρόβλεψης χρησιμοποιήθηκαν για την εκάστοτε περιοχή που εξετάζεται, γεγονός άκρως σημαντικό από επιστημονικής απόψεως. Και αυτό διότι το να έχουμε τη δυνατότητα να γνωρίζουμε ποιες ατμοσφαιρικές και ωκεάνιες παράμετροι συμβάλλουν περισσότερο στην πρόβλεψη των καυσώνων σε διαφορετικές χρονικές στιγμές αλλά και περιοχές της Ευρώπης μπορεί να εμπλουτίσει την έρευνα σχετικά με τους φυσικούς μηχανισμούς που κρύβονται πίσω από τα ακραία φαινόμενα».

Για παράδειγμα, με βάση τη μελέτη, αποκαλύφθηκε ότι η υγρασία του εδάφους, τα μοτίβα της θερμοκρασίας καθώς και η ατμοσφαιρική κυκλοφορία αποτελούν τις πιο βασικές τοπικές παραμέτρους για πρόβλεψη των καυσώνων αλλά παράλληλα μακρινά σήματα από τον Ειρηνικό αλλά και τον Ατλαντικό ενισχύουν την εγκυρότητα της πρόβλεψης.

Η νέα προσέγγιση φαίνεται να βρίσκει λύση και σε μια από τις μεγαλύτερες ως σήμερα προκλήσεις της εποχικής πρόβλεψης που αφορά την κακή απόδοση των προβλέψεων σχετικά με τους καύσωνες στη Σκανδιναβία και την Κεντρική Ευρώπη. Το σύστημα της ανάλυσης τόσο μεγάλου όγκου δεδομένων προσφέρει πολύ καλύτερες προβλέψεις.

3πλασιασμός των ημερών στην Αθήνα με ταυτόχρονη εμφάνιση καύσωνα και ξηρασίας κατεγράφη κατά το διάστημα 2001-2023, σύμφωνα με την ίδια ερευνητική ομάδα.

Η εκπαίδευση του συστήματος

Πώς εκπαιδεύθηκε όμως το σύστημα των ερευνητών; Ο δρ Μακ Ανταμ περιέγραψε πως «αρχικώς εκπαιδεύσαμε έναν τύπο μηχανικής μάθησης που ονομάζεται αλγόριθμος βελτιστοποίησης προκειμένου να εντοπίσουμε τις παραμέτρους που συνδέονται με τους καύσωνες στην Ευρώπη. Ο αλγόριθμος αυτός σάρωσε τις ατμοσφαιρικές συνθήκες, τις συνθήκες του εδάφους και των ωκεανών που επικρατούν τους μήνες πριν από το καλοκαίρι και ανακάλυψε ότι οι πληροφορίες από τον Μάρτιο και τον Απρίλιο μπορούν να προβλέψουν αν θα έχουμε καύσωνα από τον Μάιο ως τον Ιούλιο.

»Μάλιστα, για να διασφαλίσουμε ότι θα έχουμε αρκετά δεδομένα για εκπαίδευση τρέξαμε μια προσομοίωση που αφορούσε τις κλιματικές συνθήκες που επικράτησαν έως το 1850 – οι προσομοιώσεις του κλίματος έχουν τους περιορισμούς τους αλλά είδαμε ότι το μοντέλο μας μπορούσε να μάθει αρκετά από αυτές σχετικά με τους καύσωνες ώστε να προβλέπει στη συνέχεια με ακρίβεια τους καύσωνες στον πραγματικό κόσμο. Στη συνέχεια το σύστημά μας εφαρμόστηκε σε δεδομένα του πραγματικού κόσμου που αφορούσαν τα τελευταία 30 έτη και πράγματι εντόπισε με ακρίβεια τους καύσωνες που χτύπησαν την Ευρώπη μεταξύ 1993 και 2016».

Μείωση στις υπολογιστικές ανάγκες

Με τη νέα προσέγγιση δεν επιτυγχάνεται μόνο ταχύτητα – τα παραδοσιακά μοντέλα μπορεί να χρειαστούν πολλές ώρες για την ίδια πρόβλεψη, η οποία με τη μηχανική μάθηση επιτυγχάνεται μέσα σε λίγα λεπτά – και ακρίβεια αλλά και σημαντική μείωση στις υπολογιστικές ανάγκες, γεγονός που καθιστά την ΑΙ τεχνική πολύ πιο εύκολα προσβάσιμη σε ερευνητές αλλά και μετεωρολογικά κέντρα.

«Χρησιμοποιούμε ελάχιστες υπολογιστικές πηγές σε σύγκριση με τις παραδοσιακές μεθόδους» τόνισε ο δρ Μακ Ανταμ και πρόσθεσε ότι επόμενο βήμα για την ομάδα είναι η τελειοποίηση του μοντέλου μέσω… εξοντωτικής εκπαίδευσης και η επέκτασή του ώστε να μπορεί να δίνει προβλέψεις σε παγκόσμιο επίπεδο.

Και τι σημαίνουν όλα αυτά στην πράξη; Καλύτερη προστασία της κοινωνίας αλλά και της οικονομίας απέναντι στους καύσωνες. Πιο έγκαιρη θωράκιση της δημόσιας υγείας, των καλλιεργειών, της διαχείρισης της ενέργειας. Πολύτιμος χρόνος για καλύτερο σχεδιασμό των αρχών ενάντια σε ένα φαινόμενο που αποτελεί πλέον συχνότατο… επισκέπτη της θερινής καθημερινότητας.

Η επιστήμη δίνει τα εργαλεία. Το θέμα είναι αν υπάρχει η θέληση των αρμοδίων ώστε να γίνει χρήση τους – αλλά άλλη μια COP που βρίσκεται αυτή τη στιγμή σε εξέλιξη δεν γεννά ιδιαίτερη αισιοδοξία…

Η ελληνική συμμετοχή

Στη νέα μελέτη καθοριστική συμβολή είχε ο δρ Χαρίλαος Λούκος, ειδικός στην κλιματολογία και την ωκεανογραφία, ο οποίος έχει ιδρύσει στο Παρίσι την εταιρεία The Climate Data Factory που παρέχει έτοιμα προς χρήση κλιματικά δεδομένα υψηλής χωρικής ακρίβειας και προβλέψεις βασισμένες στην ΑΙ σε οργανισμούς που αναπτύσσουν μοντέλα κλιματικού ρίσκου, εργαλεία λήψης αποφάσεων ή υπηρεσίες προσαρμογής στην κλιματική αλλαγή.

Οπως ανέφερε στο BHMA-Science ο δρ Λούκος, ο οποίος συνέβαλε στον σχεδιασμό της μελέτης και συνεπέβλεψε την ενσωμάτωσή της σε ένα επιχειρησιακό πλαίσιο πρόγνωσης, που αναπτύχθηκε στο πλαίσιο του ευρωπαϊκού προγράμματος Horizon 2020 Climate Intelligence (CLINT), μιας ερευνητικής πρωτοβουλίας που αξιοποιεί την ΑΙ για τη μελέτη και πρόγνωση ακραίων κλιματικών και καιρικών φαινομένων, «το νέο μοντέλο συνδέεται με σημαντικά πλεονεκτήματα. Δείχνει ότι οι προβλέψεις που βασίζονται σε δεδομένα και Τεχνητή Νοημοσύνη μπορούν να παρέχουν αξιόπιστες, έγκαιρες προειδοποιήσεις για καύσωνες, χωρίς το υψηλό υπολογιστικό φορτίο επεξεργασίας των παραδοσιακών συστημάτων, και να προσαρμόζονται εύκολα σε ευρύτερη επιχειρησιακή χρήση.

»Η προσέγγιση θα ενσωματωθεί στα προϊόντα τού The Climate Data Factory μέσα στον επόμενο χρόνο, ενώ η ευρύτερη εφαρμογή της εξαρτάται από τις εθνικές μετεωρολογικές και κλιματικές υπηρεσίες που ενδέχεται να επιλέξουν να την υιοθετήσουν και να τη λειτουργήσουν τοπικά. Για χώρες όπως η Ελλάδα, όπου οι καύσωνες γίνονται συχνότεροι και εντονότεροι, το σύστημα αυτό προσφέρει ένα έτοιμο προς χρήση επιστημονικό πλαίσιο που μπορεί να ενισχύσει τα συστήματα έγκαιρης προειδοποίησης και προσαρμογής».