AI đang được sử dụng để ứng phó với thảm họa thiên nhiên ở các đô thị

Trong khi đó, sức mạnh và tần suất của các hiện tượng thời tiết cực đoan ngày càng tăng – một xu hướng được dự báo sẽ tiếp tục khi khí hậu ấm lên. Điều này đang thúc đẩy các nỗ lực toàn cầu nhằm phát triển thế hệ hệ thống giám sát động đất và dự báo khí hậu mới, giúp phát hiện và ứng phó với thảm họa nhanh chóng, tiết kiệm và chính xác hơn bao giờ hết.

SÁNG KIẾN TOÀN CẦU VỀ AI VÀ QUẢN LÝ THẢM HỌA

Ngày 6/11, tại Trung tâm Siêu máy tính Barcelona, Tây Ban Nha, Sáng kiến Toàn cầu về Khả năng Chống chịu Thảm họa Thiên nhiên bằng Giải pháp AI lần đầu tiên đã tổ chức cuộc họp. Đây là sáng kiến mới của Liên Hợp Quốc nhằm hướng dẫn các chính phủ, tổ chức và cộng đồng sử dụng AI trong quản lý thảm họa.

Sáng kiến này kế thừa bốn năm nghiên cứu nền tảng được xây dựng bởi Liên minh Viễn thông Quốc tế (ITU), Tổ chức Khí tượng Thế giới (WMO), và Chương trình Môi trường Liên Hợp Quốc (UNEP), vốn đã thành lập một nhóm chuyên trách từ đầu năm 2021 để phát triển các thực hành tốt nhất trong việc ứng dụng AI vào quản lý thảm họa. Những ưu tiên chính bao gồm nâng cao thu thập dữ liệu, cải thiện dự báo và tối ưu hóa thông tin liên lạc.

“Điều tôi thấy thú vị là với mỗi loại thảm họa, có rất nhiều cách khác nhau để áp dụng AI, và điều này tạo ra rất nhiều cơ hội,” bà Monique Kuglitsch, chủ tịch nhóm chuyên trách, cho biết.

Chẳng hạn, với bão nhiệt đới. Năm 2023, các nhà nghiên cứu cho thấy AI có thể giúp các nhà hoạch định chính sách xác định vị trí đặt cảm biến giao thông tốt nhất để phát hiện tắc nghẽn đường sau bão ở Tallahassee, Florida. Vào tháng 10, các nhà khí tượng học đã sử dụng mô hình dự báo thời tiết bằng AI để chính xác dự đoán rằng bão Milton sẽ đổ bộ gần Siesta Key, Florida.

AI cũng đang được sử dụng để cảnh báo công chúng hiệu quả hơn. Năm ngoái, Cơ quan Thời tiết Quốc gia Mỹ (NWS) đã hợp tác với công ty dịch thuật AI Lilt để cung cấp dự báo thời tiết bằng tiếng Tây Ban Nha và tiếng Trung giản thể. Hệ thống này rút ngắn thời gian dịch thông báo bão từ một giờ xuống còn 10 phút.

Không chỉ giúp cộng đồng chuẩn bị, AI còn được dùng để điều phối các nỗ lực ứng phó thảm họa. Sau bão Milton và Ian, tổ chức phi lợi nhuận GiveDirectly đã sử dụng các mô hình học máy của Google để phân tích hình ảnh vệ tinh trước và sau thảm họa, xác định các khu vực bị ảnh hưởng nặng nhất và ưu tiên phân phát hỗ trợ tiền mặt.

Năm ngoái, các phân tích AI từ hình ảnh trên không đã được triển khai tại các thành phố như Quelimane, Mozambique, sau cơn bão Freddy, và Adıyaman, Thổ Nhĩ Kỳ, sau trận động đất mạnh 7.8 độ richter, nhằm hỗ trợ các nỗ lực cứu trợ.

CÔNG NGHIỆP HÓA DỰ BÁO KHÍ HẬU VÀ PHÁT HIỆN ĐỘNG ĐẤT

Mặc dù việc vận hành các hệ thống cảnh báo sớm chủ yếu thuộc trách nhiệm của chính phủ, lĩnh vực mô hình hóa khí hậu bằng AI và, ở mức độ thấp hơn, phát hiện động đất đã trở thành một ngành công nghiệp tư nhân đang phát triển.

Start-up SeismicAI cho biết họ đang hợp tác với các cơ quan bảo vệ dân sự tại hai bang Guerrero và Jalisco của Mexico để triển khai mạng lưới cảm biến tăng cường bằng AI, có khả năng phát hiện động đất theo thời gian thực.

Các tập đoàn công nghệ lớn như Google, Nvidia, và Huawei cũng hợp tác với các cơ quan dự báo khí hậu châu Âu, khẳng định rằng các mô hình AI của họ có thể tạo ra dự báo chính xác trong trung hạn nhanh hơn hàng nghìn lần so với các mô hình truyền thống và tiêu tốn ít tài nguyên tính toán hơn.

Vào tháng 9, IBM hợp tác với NASA để phát hành mô hình mã nguồn mở đa năng dành cho các trường hợp mô phỏng khí hậu, có thể chạy trên máy tính để bàn.

Các kỹ thuật học máy đã được tích hợp vào mô hình dự báo thời tiết trong nhiều năm, nhưng các tiến bộ gần đây đã cho phép xây dựng nhiều mô hình mới hoàn toàn dựa trên AI, cải thiện độ chính xác và tốc độ dự báo.

Các mô hình truyền thống dựa trên các phương trình vật lý phức tạp để mô phỏng tương tác giữa nước và không khí trong khí quyển, yêu cầu siêu máy tính để chạy và mất hàng giờ để tạo ra một dự báo. Ngược lại, các mô hình AI học cách nhận diện các mẫu hình từ hàng thập kỷ dữ liệu khí hậu, phần lớn được thu thập qua vệ tinh và cảm biến trên mặt đất thông qua hợp tác liên chính phủ.

Dù vậy, hạn chế lớn của các mô hình AI là chất lượng dữ liệu huấn luyện. Những khu vực nghèo – nơi dễ chịu ảnh hưởng bởi thảm họa khí hậu – thường thiếu cảm biến thời tiết hoặc dữ liệu không được duy trì tốt, dẫn đến khoảng trống dữ liệu quan trọng. Điều này khiến các hệ thống AI huấn luyện trên dữ liệu thiếu đồng nhất kém chính xác hơn.

Ngoài ra, khi các mô hình AI ngày càng phức tạp, chúng trở thành những “hộp đen” khó hiểu, nơi quy trình từ đầu vào đến đầu ra trở nên thiếu minh bạch.

Sáng kiến của Liên Hợp Quốc sẽ thử nghiệm các khuyến nghị thông qua hợp tác với hệ thống Cảnh báo sớm Địa Trung Hải và Toàn châu Âu (MedEWSa), một dự án phát triển từ nhóm chuyên trách.

Một dự án thí điểm của MedEWSa sẽ sử dụng học máy để dự đoán nguy cơ cháy rừng tại khu vực quanh Athens, Hy Lạp. Một dự án khác sẽ cải thiện cảnh báo lũ lụt và sạt lở đất quanh thành phố Tbilisi, Georgia.

Các công ty tư nhân như Tomorrow.io cũng đang nỗ lực thu hẹp khoảng trống dữ liệu bằng cách phóng vệ tinh tích hợp cảm biến thời tiết, kết hợp dữ liệu lịch sử để huấn luyện các mô hình. Công nghệ này đang được các thành phố ở New England, như Boston, sử dụng để hỗ trợ quyết định khi nào nên rải muối trước bão tuyết.

Trong khi các tổ chức như SOFF (Cơ sở Tài chính Quan sát Hệ thống) đang tài trợ cho các nước nghèo để cải thiện khả năng thu thập dữ liệu khí hậu, các chuyên gia cảnh báo không nên giao phó quá nhiều trách nhiệm cho các hệ thống AI.

Johan Stander, Giám đốc Dịch vụ của WMO, nhấn mạnh: “Không thể hỏi một cỗ máy rằng tại sao nó sai, vẫn cần một ai đó chịu trách nhiệm.” Ông cho rằng vai trò của các công ty tư nhân nên là hỗ trợ các cơ quan khí tượng quốc gia, thay vì thay thế họ.