Kunstig intelligens i klimatilpasningsstrategier

Kunstig intelligens i klimatilpasningsstrategier betyder, at AI bruges som beslutningsstøtte til at opdage klimarisici, vurdere sårbarhed og prioritere handlinger som varsling, byplanlægning, vandhåndtering og robust infrastruktur. Teknologien kan styrke analysen, men den skal kobles til lokale data, faglig kontrol og dokumenterede beslutninger.

Hvad betyder kunstig intelligens i klimatilpasning?

Kunstig intelligens i klimatilpasning er brugen af maskinlæring, mønstergenkendelse, optimering og sprogmodeller til at understøtte beslutninger om klimaeffekter. Formålet er ikke at forudsige hele fremtiden præcist, men at gøre usikre risici mere synlige, sammenlignelige og handlingsrettede.

En klimatilpasningsstrategi handler typisk om at begrænse skader fra hedebølger, skybrud, stormflod, tørke, ændret luftkvalitet, naturtab og belastning af infrastruktur. AI kan hjælpe med at forbinde målinger, satellitdata, lokale hændelser, bygningsdata og socioøkonomiske forhold, så strategien bliver mere konkret end en generel risikoliste.

Det afgørende skel er, at AI ikke i sig selv er klimatilpasning. Klimatilpasning opstår først, når analysen fører til valg om arealanvendelse, beredskab, investeringer, drift, naturbaserede løsninger eller ændrede procedurer. AI er et værktøj i denne proces, ikke selve beslutningen.

Hvilke klimatilpasningsopgaver kan AI støtte?

AI kan især støtte opgaver, hvor store datamængder skal omsættes til prioriteringer. Det gælder risikokortlægning, tidlig varsling, vedligeholdelse af infrastruktur, overvågning af økosystemer, analyse af varmeøer, vandstandsmodeller, kapacitetsplanlægning og evaluering af, om tidligere tiltag faktisk virker.

• Varsling kan bruge mønstre i vejr-, vandstands- og sensordata til at markere forhøjet risiko for oversvømmelse, varmebelastning eller luftforurening.
• Planlægning kan bruge AI til at sammenholde klimascenarier med bygninger, veje, kloaknet, grønne områder og befolkningsdata.
• Drift kan bruge modeller til at prioritere inspektion, vedligeholdelse og midlertidige tiltag, når ressourcerne er begrænsede.
• Evaluering kan bruge data før og efter en indsats til at undersøge, om risikoen faktisk er reduceret.

AI er mest nyttig, når målet er snævert nok til at kunne måles. En model, der skal rangere regnvandsbassiner efter risiko, er lettere at teste end en model, der bare skal gøre en kommune mere robust. Jo mere præcis opgaven er, desto lettere bliver det at kontrollere datagrundlag, fejl og beslutningsansvar.

Hvordan adskiller AI sig fra almindelige klimamodeller?

Klimamodeller bygger på fysiske beskrivelser af atmosfære, hav, is, jord og energiudveksling. De bruges til at forstå klimaets udvikling og scenarier over tid. AI-modeller lærer mønstre fra data og kan bruges til klassifikation, prognoser, optimering eller hurtig bearbejdning af meget store datasæt.

I praksis bør de to tilgange supplere hinanden. En AI-model kan for eksempel nedskalere, sortere, visualisere eller prioritere output fra klimadata, men den bør ikke behandles som en erstatning for klimavidenskab, hydrologi, geoteknik, sundhedsfaglig vurdering eller lokal driftserfaring.

Hvis du arbejder med klimatilpasning, er forskellen vigtig, fordi fejlen i en AI-model ofte kommer fra træningsdata, målepraksis eller forkert afgrænsning, mens usikkerheden i klimascenarier også handler om fremtidige udledninger, fysiske processer og tidshorisont. En strategi skal kunne rumme begge typer usikkerhed.

Hvilke data kræver en brugbar klimatilpasningsmodel?

En brugbar model kræver både klimadata og kontekstdata. Klimadata kan være temperatur, nedbør, vind, fugtighed, vandstand, jordfugtighed eller satellitobservationer. Kontekstdata kan være terræn, belægning, afløbssystemer, bygninger, energiforsyning, trafik, sundhedsdata, befolkningstæthed, alder, adgang til kølige områder og historiske skader.

Det er sjældent nok at hente et enkelt datasæt og lade en model finde svaret. Klimatilpasning afhænger af, hvor en hændelse rammer, hvem der rammes, hvilken infrastruktur der svigter, og hvilke handlemuligheder der findes. Derfor er datakvalitet, datalinje og geografisk opløsning centrale kontrolpunkter.

Artikler om data-processering og datakvalitet med generativ AI er relevante, fordi klimatilpasningsmodeller ofte fejler før selve modelleringen: manglende målepunkter, ældre skadesregistreringer, skiftende definitioner og uens geografiske formater kan give et mere skråsikkert resultat, end data kan bære.

Hvordan kan AI forbedre risikovurderinger?

En risikovurdering handler om mere end sandsynligheden for en klimahændelse. Den skal også vurdere eksponering og sårbarhed. Et skybrud har for eksempel forskellig betydning alt efter terræn, afløbskapacitet, kritiske bygninger, trafikale forbindelser og adgang til hjælp for sårbare grupper.

AI kan forbedre risikovurderinger ved at kombinere flere indikatorer og synliggøre mønstre, som ellers bliver behandlet i separate regneark eller kortlag. Det kan give et mere samlet billede af, hvor en indsats bør begynde, og hvor der kun er behov for monitorering.

Den praktiske gevinst ligger ofte i rangering. En model kan foreslå, hvilke områder der bør analyseres nærmere først, hvilke veje der oftest bliver kritiske ved oversvømmelse, eller hvilke byrum der får størst varmebelastning. Beslutningen bør stadig kontrolleres af fagpersoner, fordi modellen ikke automatisk forstår politiske mål, sociale hensyn eller lokale bindinger.

Hvordan bruges maskinlæring i varsling og beredskab?

Maskinlæring kan bruges til at forbinde historiske hændelser med aktuelle observationer og kortsigtede prognoser. Det kan give et tidligt signal om risiko for oversvømmelse, varmebelastning, skovbrand, dårlig luftkvalitet eller pres på sundheds- og beredskabssystemer.

Varsling kræver dog mere end et præcist tal. Et varsel skal være forståeligt, rettidigt og koblet til handling. Hvis AI markerer risiko, men ingen ved, hvem der skal reagere, hvilket niveau der udløser handling, eller hvordan borgere og driftspersonale informeres, bliver modellen en teknisk alarm uden beredskabsværdi.

Derfor bør klimatilpasningsstrategier beskrive tærskler, ansvar og feedback. Hvis en model for luftkvalitet eller hedebølger giver mange falske alarmer, falder tilliden. Hvis den giver for få alarmer, kan den overse sårbare situationer. En side om AI til forudsigelse af luftkvalitet viser et nærliggende eksempel på, hvordan miljødata og modelresultater skal omsættes forsigtigt.

Hvad kan digitale tvillinger bidrage med?

Digitale tvillinger er datadrevne modeller af fysiske systemer. I klimatilpasning kan de bruges til at simulere, hvordan en bydel, en kyststrækning, et vejnet eller et forsyningssystem reagerer på forskellige klimabelastninger og tiltag. AI kan indgå i en digital tvilling, men hele tvillingen er typisk en kombination af data, simulation, visualisering og fagmodeller.

Værdien ligger i scenarier. En digital tvilling kan sammenligne, hvad der sker ved flere regnscenarier, forskellige investeringstidspunkter eller alternative placeringer af grønne løsninger, pumpestationer og højvandsbeskyttelse. Den kan også hjælpe med at forklare komplekse konsekvenser for beslutningstagere, der ikke selv arbejder med modeller.

Digitale tvillinger giver ikke automatisk et endeligt svar. De er nyttige, når antagelserne er dokumenterede, og når scenarierne bruges til at teste robusthed. Hvis tvillingen kun viser ét foretrukket fremtidsbillede, bliver den let et præsentationsværktøj i stedet for et beslutningsværktøj.

Hvordan håndteres usikkerhed i AI-baseret klimatilpasning?

Usikkerhed bør være synlig i modellen, ikke gemt i en teknisk bilagstekst. Klimaændringer udvikler sig over årtier, mens AI-modeller ofte trænes på historiske data. Det betyder, at modellen kan være præcis for gårsdagens hændelser og mindre sikker for fremtidige kombinationer af ekstremregn, varme, tørke, stormflod og infrastrukturpres.

En robust strategi bruger derfor flere scenarier, følsomhedsanalyser og løbende opdatering. Den spørger ikke kun, hvilket scenarie der er mest sandsynligt, men også hvilke beslutninger der fungerer rimeligt godt på tværs af flere mulige fremtider.

Usikkerhed kan beskrives praktisk med intervaller, risikoniveauer og beslutningsregler. Hvis en model kun leverer ét risikotal uden forklaring, bør tallet ikke stå alene. Hvis modellen viser, hvilke faktorer der driver risikoen, bliver det lettere at vælge mellem forebyggelse, monitorering, midlertidige tiltag og større investeringer.

Hvilke risici opstår, når AI bruges i klimaindsatser?

AI kan skabe nye risici, hvis den bruges ukritisk. Dårlige data kan flytte ressourcer væk fra områder, hvor skader historisk er underrapporteret. En model kan overvurdere målbare fysiske risici og undervurdere sociale forhold, der ikke er lige så lette at registrere. Et system kan også låse en organisation fast til en leverandør, hvis dataformater og modelantagelser ikke kan efterprøves.

Der er også risiko for maladaptation: en løsning, der reducerer én risiko, men øger en anden. Et eksempel kan være hård sikring mod vand, som flytter oversvømmelsesrisiko til naboområder, eller kølingsstrategier, der øger energipres i perioder med varme. AI kan hjælpe med at opdage sådanne afledte effekter, men kun hvis de er med i modellen.

Endelig kan generativ AI give en falsk følelse af overblik, hvis den bruges til at skrive beslutningsnotater uden klare kilder. Sprogmodeller kan være nyttige til at strukturere dokumentation, men de bør ikke opfinde risikotal, tekniske forudsætninger eller lokale konsekvenser. En bredere forklaring af hvad kunstig intelligens er er relevant, fordi klimatilpasning kræver en nøgtern forståelse af, hvad teknologien kan og ikke kan.

Hvordan bør organisationer vælge mellem AI-løsninger?

Valget bør begynde med beslutningen, ikke med værktøjet. Hvis organisationen ikke ved, hvilken beslutning modellen skal forbedre, bliver AI-projektet let for bredt. Start med at formulere, om målet er bedre risikokort, hurtigere varsling, mere præcis vedligeholdelse, bedre prioritering af investeringer eller løbende evaluering af eksisterende klimatiltag.

1. Definer den beslutning, modellen skal støtte, og hvem der har ansvar for den.
2. Beskriv datakilder, datakvalitet, geografisk opløsning og manglende data.
3. Vælg en modeltype, der passer til opgaven, og dokumenter hvorfor den er valgt.
4. Test modellen mod historiske hændelser og mod scenarier, der ikke ligner træningsdata fuldstændigt.
5. Beslut, hvordan mennesker kan tilsidesætte, justere eller stoppe modellens anbefalinger.
6. Planlæg monitorering, genoptræning og evaluering, før systemet sættes i drift.

Denne rækkefølge gør indkøb og udvikling mere håndterbar. Den adskiller også analyseværktøjer fra systemer, der direkte påvirker kritisk drift. Et kortlægningværktøj til planlæggere har en anden risikoprofil end en model, der styrer pumper, trafiksignaler eller beredskabsalarmer.

Hvilke krav stiller governance og EU-regler?

Klimatilpasning berører ofte kritisk infrastruktur, offentlige beslutninger, persondata og sikkerhed. Derfor bør governance ikke vente til modellen er bygget. Den bør omfatte formål, datagrundlag, adgang, dokumentation, ansvar, cybersikkerhed, audit, menneskelig kontrol og en plan for fejl.

I EU er AI-regulering risikobaseret. Den præcise klassifikation af et klimatilpasningssystem afhænger af anvendelsen, om systemet indgår i sikkerhedskritiske funktioner, og hvilken rolle udbyder og bruger har. Det betyder, at et analyseværktøj, en offentlig beslutningsstøtte og et driftsstyringssystem kan kræve forskellige kontroller.

Governance bør også beskrive, hvornår modellen ikke må bruges. Hvis datagrundlaget er for svagt, hvis lokale forhold har ændret sig, eller hvis modelresultatet ikke kan forklares for dem, der skal handle på det, bør beslutningen løftes tilbage til en faglig vurdering. Denne type stopregel er en del af sikker brug, ikke et tegn på mislykket AI.

Hvordan passer AI ind i en samlet klimatilpasningsstrategi?

AI passer bedst ind som et lag i en adaptiv styringscyklus. Først identificeres risici og sårbarheder. Derefter vælges mulige tiltag, som testes mod scenarier og lokale mål. Efter implementering måles effekten, og strategien justeres, når klima, byudvikling, økonomi eller befolkning ændrer sig.

En enkel måde at bruge AI på er at knytte den til hvert trin i cyklussen: dataindsamling, risikovurdering, prioritering, gennemførelse og evaluering. På den måde bliver teknologien en del af den eksisterende planlægning i stedet for et parallelt projekt ved siden af klimatilpasningsstrategien.

For strategiarbejde er denne cyklus mere holdbar end en enkelt stor model. Den gør det lettere at begynde småt, lære af resultaterne og udvide brugen, når datagrundlaget og organisationens modenhed er klar.

Hvordan kan arbejdet begynde i praksis?

Et praktisk første skridt er at vælge én klimarisiko og én beslutning. Det kan være prioritering af skybrudshotspots, analyse af varmebelastning omkring plejecentre, monitorering af kystnære anlæg eller vurdering af, hvor grønne løsninger giver størst samlet effekt.

Dernæst bør organisationen lave en datakortlægning: hvilke data findes, hvem ejer dem, hvor ofte opdateres de, hvilke fejl kendes, og hvilke grupper eller områder mangler i registreringen. Først derefter giver det mening at vælge modeltype, testmetode og leverandør.

Et afgrænset pilotprojekt bør have en tydelig accepttest. Testen kan for eksempel kræve, at modellen forklarer sine vigtigste drivere, håndterer kendte hændelser rimeligt, viser usikkerhed og kan bruges af de fagpersoner, der faktisk skal tage beslutningen. Sider om kunstig intelligens i klimaforskning kan give baggrund for forskellen mellem forskningsmodeller og driftsnære beslutningsværktøjer.

Hvilke kilder ligger til grund?

Artiklen bygger på IPCC’s vurdering af impacts, vulnerability and adaptation i AR6 Working Group II, EEA’s europæiske klimatilpasningsramme på Climate-ADAPT, Copernicus’ beskrivelse af Climate Data Store, EU-initiativet Destination Earth og den risikobaserede regulering i Regulation (EU) 2024/1689.