Városok és kutatók egyre gyakrabban alkalmaznak mesterséges intelligenciát (AI) az extrém hőség kockázatának feltérképezésére és előrejelzésére. Egy új, a Climate Risk Management folyóiratban megjelent áttekintés azonban azt találta, hogy a kutatás majdnem kizárólag a veszélyes hő előrejelzésére és a veszélyeztetett személyek azonosítására koncentrál, sokkal kevesebb figyelmet fordítva a kormányzati, operatív beavatkozások támogatására.
Miért fontos ez?
Az éghajlatváltozás következtében gyakoribbá és intenzívebbé váló hőhullámok halálozási kockázatot jelentenek. Egy 2025-ös Yale-tanulmány szerint az Egyesült Államokban a magas hőmérséklethez köthető halálozások éves átlaga 2000–2009-ről 2010–2020-ra 2 670-ről több mint 4 000-re nőtt, ami 53%-os emelkedést jelent.
Mit talált a felülvizsgálat?
A Climate Risk Management-ben közölt tanulmány a meglévő kutatásokat vizsgálta arra vonatkozóan, hogyan használják az AI-t és a gépi tanulást az extrém hőség kezelésére. A főbb megállapítások:
- Az áttekintett tanulmányok 98,4%-a a hőmérséklet előrejelzésére fókuszált.
- 59,2%-uk foglalkozott megelőzéssel.
- Ezzel szemben csak 10,4% írt a reagálásról (response), 3,2% a helyreállításról (recovery) és 1,6% a felkészülésről (preparedness).
A szerzők ezt a megoszlást „kutatás–megvalósítás rést” (research-to-implementation gap) nevezték: a kutatások nagy része feltérképezi, kik és hol vannak veszélyben, de jóval kevesebb vizsgálja, hogyan lehet ezeket az előrejelzéseket tényleges politika- vagy műveleti döntésekké fordítani.
Szakértői nézőpontok
Karishma V. Patel, a RAND politikakutatója és a tanulmány egyik társszerzője kiemelte, hogy az AI valódi hozzáadott értéke ott mutatkozik meg, ahol az előrejelzés ténylegesen beépül a döntéshozatalba, például a skálázás vagy nagyobb részletezettség révén.
Cornell-i kutató, Jennah Gosciak arra hívta fel a figyelmet, hogy a kifinomult előrejelzések kormányzati hasznosítása több, mint maguk a modellek: szükség van „robusztus adatrendszerekre”, amelyek különböző forrásokból képesek adatokat fogadni és azokat a gyakorlati döntéshozók számára felhasználhatóvá tenni. Gosciak, aki a Cornell Information Science PhD-hallgatója és korábban a New York City Emergency Management Public Interest Technology Fellowjaként dolgozott, azt is hangsúlyozta, hogy az egyszerűbb sebezhetőségi indexeknek van előnyük hosszabb távú tervezésnél és abban, hogy a döntéshozók egyértelműen kiválaszthassák, mely sérülékeny csoportokat részesítsék előnyben.
Gosciak „lassú versus gyors adatok” különbségét említette: a prediktív algoritmusok jobbak lehetnek időérzékeny döntésekhez, amelyek egy adott kiváltó eseményhez kötődnek, míg az egyszerűbb indexek alkalmassabbak a hosszabb távú intézkedések és prioritások kialakítására.
Gyakorlati példák
Júniusban a Google bejelentette, hogy az AI-alapú Heat Resilience (hőség-ellenállás) adatszolgáltatását a kezdeti 14 városról több mint 50 városra bővítette világszerte. A szolgáltatás épületszintű adatokat ad várostervezőknek, például a tetők visszaverő képességének (roof reflectivity) térképezésére nagyfelbontású képalkotás és AI segítségével. A Google szerint a pilotprojektek adatai több városban hozzájárultak döntésekhez, mint például a hűtőtetőkre (cool-roof) vonatkozó rendeletek vagy alkalmazkodási tervek kidolgozása.
A valóságellenőrzés
Részletesebb és pontosabb előrejelzések mindig hasznosak, de önmagukban nem garantálják a jobb eredményeket. A kutatók és gyakorlati szakemberek hangsúlyozzák, hogy a tervezést és a beavatkozást támogató rendszereknek képesnek kell lenniük az adatok beolvasására, értelmezésére és a döntéshozók számára közvetlenül használható információk előállítására.
Karishma Patel szerint a következő lépés kevésbé az előrejelzések további apró javítása lehet, és inkább az előrejelzések és a beavatkozások közötti kapcsolódás megteremtése: az AI értéke abban rejlik, hogy segít a döntéshozóknak „közeli valós idejű döntések” meghozatalában azáltal, hogy integrálja a változó jeleket és hiperlokális előrejelzést biztosít részletes szinteken.
Ez a megközelítés segíthet abban, hogy a hatóságok valós időben reagáljanak a hőkockázatokra, és jobban megértsék azokat az összetett veszélyeket, amelyek a hő, a légszennyezés, a tűzfüst és a szárazság együttes hatásából adódnak.
Következtetés
A tanulmány rámutat, hogy az AI és a gépi tanulás hasznos eszköz lehet az extrém hőség kockázatainak feltérképezésére és előrejelzésére, de a technológia önmagában nem oldja meg a vészhelyzeti reakció és alkalmazkodás kihívásait. Ahhoz, hogy a jobb előrejelzések életté váljanak, szükség van robusztus adatinfrastruktúrára, a döntéshozók számára értelmezhető és alkalmazható eszközökre, valamint a predikciók és a beavatkozási mechanizmusok közötti szorosabb integrációra.
Karishma V. Patel szavaival: nem elég csak AI-t építeni — fontos, hogy ez a technológia valódi problémát oldjon meg vagy eltávolítson egy működési szűk keresztmetszetet.
