Overvågning af klimaændringer med kunstig intelligens

Overvågning af klimaændringer med kunstig intelligens er brug af AI til at analysere satellitdata, målinger, reanalyse og sensordata, så ændringer i temperatur, hav, is, vegetation og ekstreme vejrhændelser kan opdages hurtigere. AI er et analyseværktøj, ikke en erstatning for observationer, klimafaglig metode eller menneskelig vurdering.

Hvad betyder klimaovervågning med kunstig intelligens?

Klimaovervågning handler om at følge langsigtede ændringer i jordens systemer: atmosfære, oceaner, land, is, vandkredsløb og økosystemer. Kunstig intelligens bruges til at finde mønstre i store datamængder, klassificere billeder, opdage afvigelser og prioritere signaler, som mennesker eller klassiske modeller derefter skal vurdere.

Det afgørende skel er, at AI ikke selv måler klimaet. Målingerne kommer fra satellitter, vejrstationer, bøjer, fly, skibe, radarer, lidar, laboratorier og andre sensorer. AI kan gøre analysen hurtigere og mere detaljeret, men den arver også begrænsningerne i de data, den trænes og anvendes på.

En praktisk måde at forstå teknologien på er at se den som et ekstra analyseled. Først indsamles observationer. Derefter renses, kalibreres og samles data. Til sidst kan AI hjælpe med at finde mønstre, usædvanlige ændringer eller sandsynlige sammenhænge, som kræver faglig fortolkning.

Hvilke klimadata kan AI analysere?

AI kan bruges på mange typer klimadata, fordi klimaovervågning ikke kun er temperaturmålinger. Den kan behandle satellitbilleder, radar, infrarøde målinger, tidsserier, havdata, jordfugtighed, sne- og isdata, nedbørsfelter, vegetationsindeks og observationer fra målenetværk.

For læseren er den vigtigste konsekvens, at AI-resultater sjældent bør stå alene. Hvis en organisation bruger en AI-analyse til klimatilpasning, arealplanlægning eller risikovurdering, bør den samtidig kontrollere datakilde, tidsperiode, geografisk opløsning, usikkerhed og faglig metode.

Hvordan bruges satellitdata i overvågningen?

Satellitter giver gentagne observationer af store områder og gør det muligt at følge ændringer, som lokale målepunkter ikke alene kan dække. AI kan især bruges til billedklassifikation, objektgenkendelse, ændringsdetektion og filtrering af billeder, der ikke egner sig til den planlagte analyse.

Eksemplerne spænder fra skovrydning og byudvikling til havtemperatur, algeopblomstring, brande, tørke, sne, havis og gletsjere. En analyse af AI-billedgenkendelse er derfor nært beslægtet med klimaovervågning, fordi mange klimarelaterede signaler først optræder som visuelle eller spektrale mønstre.

Satellitbaseret AI har dog klare begrænsninger. Optiske sensorer kan blokeres af skyer, røg og mørke. Radar kan måle gennem skyer, men kræver anden fortolkning. Sensorer kan skifte over tid, og en model, der virker godt i ét landskab, kan give fejl i et andet, hvis træningsdata ikke dækker variationen.

Derfor handler god satellit-AI ikke kun om algoritmen. Den handler også om kalibrering, dokumenteret datalinje, validering mod uafhængige målinger og tydelig angivelse af, om resultatet er en observation, en klassifikation, en sandsynlighed eller en beregnet indikator.

Hvor passer reanalyse som ERA5 ind?

Reanalyse er et centralt bindeled mellem rå observationer og klimafaglig analyse. Den kombinerer historiske observationer med vejr- og klimamodeller for at skabe sammenhængende datasæt over mange variable. Copernicus Climate Change Service beskriver ERA5 som et globalt reanalysedatasæt med timebaserede data for mange atmosfæriske, landbaserede og havrelaterede parametre.

For AI betyder reanalyse, at modellen får et mere ensartet datagrundlag end enkeltstående målepunkter. Det kan bruges til at træne modeller, sammenligne regioner, finde mønstre på tværs af variable og undersøge, om en lokal observation passer med et større klimamønster.

Reanalyse er samtidig ikke det samme som direkte måling overalt. Den er et beregnet produkt, hvor observationer og modelantagelser indgår sammen. AI-analyser på reanalyse bør derfor læses som analyser af et harmoniseret klimadatasæt, ikke som rå sandhed om hvert punkt på kortet.

Hvis du bruger sådanne data i en arbejdsgang, bør data-processering dokumenteres fra start til slut: kilde, version, periode, opløsning, manglende værdier, transformationer og de kriterier, der bruges til at afgøre, om en ændring er betydningsfuld.

Hvilke klimaændringer kan AI hjælpe med at opdage?

AI egner sig især til opgaver, hvor der findes mange observationer, gentagne mønstre og tydelige kriterier for, hvad modellen skal finde. Det kan være ændringer i arealanvendelse, skovdække, vegetation, kystlinjer, oversvømmelser, tørkeindeks, havis, søis, snegrænser, overfladetemperaturer og varmeøer i byer.

Et konkret område er AI-baseret overvågning af skovrydning, hvor satellitdata kan vise, om skovarealer ændrer sig over tid. Her kan AI gøre screeningen hurtigere, men resultaterne skal stadig holdes op mod sæsonvariation, skovtype, landbrug, skyer og lokale referenceområder.

Et andet område er havet. AI kan bruges til at opdage mønstre i havtemperatur, farve, isudbredelse, overfladestrømme og biologiske signaler. Derfor er kunstig intelligens til overvågning af havets økosystem relevant, når klimaændringer påvirker både fysiske og biologiske forhold.

Den faglige gevinst ligger ikke kun i at finde en ændring. Den ligger i at skelne mellem normal variation, datastøj, lokale forstyrrelser og et signal, der passer ind i en bredere klimaudvikling. Her er AI nyttig, fordi den kan sammenholde mange variable, men den skal kobles til domæneviden.

Hvordan adskiller AI-overvågning sig fra klassiske klimamodeller?

Klassiske klimamodeller bygger på fysiske ligninger for atmosfære, hav, is, stråling, land og energiudveksling. De bruges til at forstå processer, teste scenarier og beregne mulige fremtidige klimaudviklinger. AI-modeller lærer derimod statistiske mønstre fra data og kan være stærke til genkendelse, forudsigelse og sortering.

Forskellen betyder ikke, at den ene metode erstatter den anden. I praksis bliver de ofte kombineret. AI kan hjælpe med at reducere datastøj, nedskalere information, klassificere observationer eller accelerere dele af en beregning. Fysikbaserede modeller giver den kausale ramme, som gør resultaterne klimafagligt meningsfulde.

ECMWF’s AIFS viser, hvordan AI kan få en operationel rolle i vejrudsigter. Systemet blev operationelt den 25. februar 2025 og kører side om side med ECMWF’s fysikbaserede IFS. Det er vigtigt at afgrænse: vejrudsigter handler om atmosfærens udvikling de kommende dage, mens klimaovervågning handler om mønstre og ændringer over længere tid.

AI i vejrudsigter kan dog støtte klimaområdet indirekte, fordi bedre korttids- og mellemfristede prognoser styrker beredskab, energiplanlægning og tidlige varsler. Det ændrer ikke behovet for lange, stabile og sammenlignelige klimamåleserier.

Hvad kan AI ikke måle sikkert alene?

AI kan ikke alene afgøre, om en observeret hændelse skyldes klimaændringer. Den kan finde mønstre, men årsagsvurdering kræver statistisk attribution, fysiske modeller, sammenligning med alternative forklaringer og vurdering af usikkerhed. Det gælder især ekstreme hændelser som stormflod, tørke, hedebølger og intens nedbør.

AI kan heller ikke automatisk løse problemer med mangelfulde data. Hvis et område har få målinger, korte tidsserier eller skiftende instrumenter, kan modellen fremstå præcis uden at være det. Den kan finde et signal i træningsdata, som ikke holder i en anden region eller under nye klimaforhold.

En anden begrænsning er forklarbarhed. Nogle AI-modeller kan være svære at gennemskue, især når de bruger dybe neurale netværk. Her kan mønstergenkendelse i kunstig intelligens give hurtige resultater, men beslutningstagere har stadig brug for forklaringer, fejlmarginer og klare antagelser.

Den korte regel er, at AI kan prioritere, forstærke og strukturere klimainformation. Den kan ikke erstatte måleprogrammer, fagfællebedømt klimavidenskab, lokale kontrolmålinger eller ansvarlig fortolkning.

Hvordan kan AI bruges til tidlige varsler og beredskab?

Tidlige varsler kræver hurtig bearbejdning af data, robuste prognoser og klare beslutningsveje. AI kan hjælpe ved at opdage hændelser tidligt, kombinere signaler fra flere datakilder og pege på områder, hvor risikoen ændrer sig hurtigt. Det kan gælde oversvømmelser, brandfare, tørke, storme, varmebelastning eller kraftig nedbør.

NASA’s test af Dynamic Targeting viser en relevant udvikling: AI om bord på satellitter kan analysere billeder under flyvning og vælge, hvad instrumentet bør observere. I den beskrevne test blev teknologien brugt til at undgå skydækkede optagelser, og NASA omtaler senere tests mod storme, brande og vulkanske hændelser.

For beredskab er pointen ikke kun hurtigere data. Pointen er bedre prioritering. Hvis en satellit, sensor eller model kan udpege et område med pludselig ændring, kan menneskelige eksperter hurtigere vurdere, om der skal udsendes varsel, indsamles flere målinger eller aktiveres lokale procedurer.

AI-baserede varsler bør have tydelige tærskler. Hvem får besked, hvornår, på hvilket usikkerhedsniveau, og hvad betyder et falsk positivt eller falsk negativt resultat? Uden den del kan en teknisk præcis model stadig give usikre beslutninger.

Hvilke kontrolpunkter bør en organisation bruge før beslutninger?

Hvis en kommune, virksomhed, forskningsgruppe eller myndighed vil bruge AI-understøttet klimaovervågning, bør beslutningen starte med formålet. En model til screening af skovændringer, en model til oversvømmelsesrisiko og en model til energiprognoser kræver forskellige data, validering og ansvarslinjer.

• Definer beslutningen: Hvilken handling skal analysen støtte, og hvor høj præcision kræves?
• Kontrollér datagrundlaget: Hvilke sensorer, perioder, geografiske områder og versioner indgår?
• Adskil vejr og klima: Er analysen en kort hændelse, en sæsonvariation eller en langsigtet trend?
• Kræv usikkerhed: Resultatet bør vise sandsynlighed, fejlmargin eller kvalitetsklasse, ikke kun en farve på et kort.
• Valider lokalt: Sammenhold modellen med feltmålinger, historik eller uafhængige datasæt.

En organisation bør også afklare, hvem der må ændre modellen, hvem der godkender datakilder, og hvem der forklarer resultatet udadtil. Klimaovervågning kan påvirke investeringer, forsikring, beredskab og fysisk planlægning, så modelstyring er en del af den faglige kvalitet.

Det er ofte bedre at begynde med en snæver, kontrollerbar use case end med en bred klimaplatform. En afgrænset model kan testes, forklares og forbedres. En bred løsning uden tydelige kontrolpunkter kan give flere kort og grafer uden bedre beslutninger.

Hvilke risici følger med data og modeller?

Den første risiko er dataskævhed. Satellitter dækker store områder, men ikke alle variable måles lige godt alle steder. Skyer, sne, topografi, bymaterialer, vegetationstyper og sensorhistorik kan påvirke en model. Hvis modellen trænes på ét klimaområde, kan den fejle i et andet.

Den anden risiko er overfortolkning. En AI-model kan markere en ændring som tydelig, selv om ændringen kun findes i én sensor, én sæson eller én kort periode. Klima kræver tidslig robusthed. En stærk konklusion bør helst støttes af flere uafhængige datakilder eller en kendt fysisk mekanisme.

Den tredje risiko er automatiseret tillid. Farvekort, dashboards og sandsynligheder kan se objektive ud, men de bygger på valg: træningsdata, tærskler, tabelfelter, interpolation og udeladte variable. En god rapport bør derfor forklare, hvad modellen ikke har set, og hvilke antagelser der ligger bag.

Endelig kan der være datasikkerhed og adgangsspørgsmål. Klimadata er ofte åbne, men lokale data om infrastruktur, vandforsyning, ejendomme eller beredskab kan være følsomme. Hvis AI bruges i en organisation, skal adgangen til data, modeloutput og beslutningslog være styret.

Hvordan er teknologien relevant i Danmark og Europa?

I Europa er relevansen særlig tydelig, fordi Copernicus-programmet leverer åbne klima- og jordobservationsdata, og ECMWF driver centrale vejr- og reanalysekapaciteter. Det giver danske aktører adgang til fælles europæiske datakilder, men ikke automatisk færdige lokale svar.

For danske forhold kan AI-understøttet klimaovervågning være relevant ved kyster, lavbundsarealer, byvarme, regnvand, landbrug, skov, havmiljø og energisystemer. Den praktiske værdi afhænger af, om analysen kobles til lokale målinger, historiske hændelser og de beslutninger, der faktisk skal træffes.

Et eksempel kan være en kommune, der vil følge oversvømmelsesrisiko. Satellitdata kan vise vandudbredelse efter hændelser, reanalyse kan sætte nedbør og temperatur i sammenhæng, og AI kan hjælpe med at finde mønstre. Men kloakdata, terrænmodel, jordbund, byggeri og lokale beredskabsprocedurer afgør, hvordan resultatet bruges.

Teknologien er derfor mest værdifuld, når den bliver et fælles beslutningsgrundlag mellem datafolk, klimafaglige eksperter og lokale aktører. AI gør ikke klimaændringer lokale af sig selv; den kan hjælpe med at omsætte store datasæt til lokale spørgsmål.

Hvordan kan resultaterne forklares til beslutningstagere?

Beslutningstagere har sjældent brug for hele modelarkitekturen. De har brug for at vide, hvad der er målt, hvad der er beregnet, hvad modellen har fundet, hvor sikker konklusionen er, og hvilken handling resultatet kan støtte. Den forklaring bør være lige så vigtig som selve kortet eller tallet.

En klar forklaring kan opdeles i fire lag: datakilde, metode, resultat og konsekvens. Datakilden fortæller, hvor informationen kommer fra. Metoden forklarer, hvordan AI er brugt. Resultatet beskriver ændringen. Konsekvensen siger, hvad organisationen med rimelighed kan gøre eller undersøge videre.

Hvis en model eksempelvis viser stigende risiko for varmebelastning i et byområde, bør forklaringen ikke stoppe ved en risikoscore. Den bør angive tidsperiode, sammenligningsgrundlag, datakvalitet, geografisk opløsning, forventede fejl og hvilke grupper eller funktioner der påvirkes.

Den mest robuste kommunikation skelner mellem observation, analyse og anbefalet handling. Det reducerer risikoen for, at AI-resultater bliver opfattet som endelige sandheder, og gør det lettere at revidere beslutninger, når nye data kommer til.

Hvilke kilder ligger til grund?

Artiklen bygger på WMO’s State of the Climate Update for COP30, Copernicus Climate Change Service om climate reanalysis, ESA’s beskrivelse af Phsat og AI til jordobservation, NASA’s gennemgang af Dynamic Targeting for jordobservationssatellitter og ECMWF’s nyhed om, at AIFS blev operationelt i 2025.