Voiko tekoäly ennustaa nälänhätää 6 kuukautta etukäteen pelkästään julkisten satelliitti- ja säädataa hyödyntäen ?

Voivatko julkisesti saatavilla olevat satelliitti- ja säädataa hyödyntävät syötteet mahdollisesti ennakoida nälänhätää kuukausia etukäteen? Haasteena on kouluttaa tekoälyä tulkitsemaan harvoja ja kohinaisia ympäristön signaaleja ennustamaan systeemisiä ruokaturvan riskejä ilman luottamuksellisten datalähteiden käyttöä.

Background

Perinteiset nälänhädän varoitusjärjestelmät perustuvat hitaisiin ja epätäydellisiin sadonkorjuutietovirtoihin, jotka haittaavat ajoissa tehtäviä toimenpiteitä. Viimeaikaiset tutkimukset ovat tutkineet julkisesti saatavilla olevien ympäristötietovirtojen, kuten NASA/USGS MODIS-pinnan heijastavuuden, CHIRPS-sademääräarvioiden sekä ASCAT/AMSR2-kosteustuotteiden, hyödyntämistä sadon ja hydrologisten mallien ohjaamiseen nälänhädän varhaisessa havaitsemisessa. Tutkimukset ovat osoittaneet, että harvojen, korkeataajuisten satelliittihavaintojen yhdistäminen koneoppimismenetelmiin voi parantaa maatalouskuivuuden ja sadon ennusteiden ennusteaikaa ja tarkkuutta perinteisiin kenttäkyselyihin ja staattisiin raportointijärjestelmiin verrattuna.

Julkiset hankkeet ovat käyttäneet karkean resoluution satelliittidataa, kuten NDVI:tä (Normalisoitu ero vegetaation indeksi), merkitsemään laajoja kasvillisuusvajeita kuivien kausien jälkeen kuukausia myöhemmin, kun taas hienojakoisempi SAR-sirontakuvaus on parantanut tulvien ja kuivuuden kartoitusta. Kausittaiset hydrologiset mallit, joita syötetään reanalyysin sääkentillä, voivat ennakoida kosteuspitoisuuspoikkeamia jopa kuusi kuukautta eteenpäin, mutta näiden poikkeamien kääntäminen ruokaan pääsyn riskiksi edellyttää integrointia sosioekonomisten indikaattorien kanssa, joita harvoin on saatavilla laajassa mittakaavassa. Ilman etuoikeutettuja tietokantoja, kuten matkapuhelinliikenteen liikkuvuustietoja tai virallisia sadonkorjuutietoja, tutkijat ovat tutkineet pelkästään proxy-pohjaisia putkia, jotka yhdistävät vapaasti julkaistuja sääennusteita, avoimia satelliittiradiometriaa ja ilmastomallien kokonaisuuksia tuottaakseen varoitusarvioita. Vertailuaineistot, kuten FEWS NETin julkisesti julkaisemat kasvillisuus- ja sademääräpoikkeamakartat, tarjoavat pääasialliset maastotodellisuuden tunnisteet taitavuuden arviointia varten. Tutkimukset, jotka keskittyvät Afrikann sarveen ja Sahelin alueeseen, osoittavat, että yksinkertaiset tilastolliset mallit julkisilla syötteillä voivat olla parempia nälänhädän esiasteiden, kuten epäonnistuneiden sadonkorjuukausien, ennustamisessa verrattuna ilmastoon, vaikkakin monivuotiset ennusteaikataulut ovat epäluotettavia, kun luotetaan pelkästään ympäristön signaaleihin. Kuuden kuukauden ennusteet tyypillisesti perustuvat kausittaisiin ilmastonäkymiin (esim. NMME-monimalliyhdistelmät), joiden taitavuus laskee jyrkästi ensimmäisen kahden kuukauden jälkeen, mikä rajoittaa puhtaiden ympäristöön perustuvien lähestymistapojen käyttöä. Viimeaikainen katsaus ehdottaa, että vaikka julkiset syötteet eivät yksinään vielä vastaa valvontaputkia, jotka yhdistävät omistusoikeudellisia tietoja, ne voivat silti tuottaa toimivia varhaisvaroja läpinäkyvän mallinnuksen ja konservatiivisten kynnysarvojen avulla. Rintama siirtyy, kun Sentinel-1/2-datan ja CMIP6-ilmastomalliprojektioiden avoin saatavuus laajentaa tutkijoiden käytettävissä olevan ajallisen ja spatiaalisen tarkkuuden.