Czy AI może przewidzieć klęskę głodu 6 miesięcy wcześniej, korzystając jedynie z publicznych danych satelitarnych i pogodowych ?

Czy publicznie dostępne dane satelitarne i pogodowe mogłyby zostać wykorzystane do przewidywania klęsk głodu z miesięcznym wyprzedzeniem? Wyzwaniem jest przeszkolenie AI do interpretowania rzadkich i zakłóconych sygnałów środowiskowych w celu prognozowania systemicznych zagrożeń żywnościowych bez korzystania z uprzywilejowanych źródeł danych.

Background

Tradycyjne systemy wczesnego ostrzegania przed klęską głodu opierają się na wolnych i niekompletnych przepływach danych dotyczących upraw, co utrudnia terminowe interwencje. Ostatnie prace badawcze eksplorowały wykorzystanie publicznie dostępnych strumieni danych środowiskowych — takich jak odbicie powierzchniowe MODIS NASA/USGS, szacunki opadów CHIRPS oraz produkty wilgotności gleby ASCAT/AMSR2 — do napędzania modeli upraw i hydrologicznych w celu wczesnego wykrywania niedoborów żywności. Badania wykazały, że integracja rzadkich, wysokoczęstotliwościowych obserwacji satelitarnych z metodami uczenia maszynowego może poprawić czas wyprzedzenia oraz dokładność prognoz suszy rolniczej i plonów w porównaniu z konwencjonalnymi badaniami terenowymi i statycznymi systemami raportowania.

Inicjatywy publiczne wykorzystywały dane satelitarne o niskiej rozdzielczości, takie jak NDVI (Znormalizowany Różnicowy Wskaźnik Wegetacji), do sygnalizowania szeroko zakrojonych deficytów roślinności miesiące po sezonach deszczowych, podczas gdy bardziej szczegółowe dane SAR dotyczące rozpraszania wstecznego poprawiły mapowanie powodzi i suszy. Sezonowe modele hydrologiczne zasilane danymi pogodowymi z reanaliz mogą przewidywać anomalie wilgotności gleby nawet na sześć miesięcy do przodu, jednak przetłumaczenie tych anomalii na ryzyko dostępu do żywności wymaga integracji z wskaźnikami społeczno-gospodarczymi, które rzadko są dostępne w odpowiedniej skali. Bez uprzywilejowanych zbiorów danych, takich jak dane o mobilności z telefonów komórkowych czy oficjalne statystyki dotyczące upraw, badacze eksplorowali wyłącznie pipeline’y oparte na proxy, które łączą publicznie udostępniane prognozy pogody, otwartą radiometrię satelitarną oraz zespoły modeli klimatycznych w celu generowania wczesnych ocen ryzyka. Zbiory danych referencyjnych — np. publicznie udostępniane mapy anomalii roślinności i opadów FEWS NET — stanowią główne etykiety weryfikacyjne do oceny umiejętności modeli. Badania skoncentrowane na Rogu Afryki i Sahelu dowodzą, że proste modele statystyczne oparte na danych publicznych mogą przewyższać klimatologię pod względem wczesnych sygnałów klęski głodu, takich jak nieudane sezony upraw, choć prognozy na wiele sezonów do przodu pozostają zawodne przy wyłącznym poleganiu na sygnałach środowiskowych. Prognozy na sześć miesięcy zazwyczaj opierają się na sezonowych perspektywach klimatycznych (np. zespołach wielomodelowych NMME), których umiejętności gwałtownie spadają poza pierwszymi dwoma miesiącami, ograniczając czysto środowiskowe podejścia. Najnowszy przegląd sugeruje, że choć publiczne źródła danych same w sobie mogą jeszcze nie dorównywać pipeline’om nadzoru łączącym dane własnościowe, to wciąż mogą generować użyteczne wczesne ostrzeżenia, gdy są połączone z przejrzystym modelowaniem i zachowawczymi progami. Granica możliwości przesuwa się wraz z rosnącym otwartym dostępem do danych Sentinel-1/2 oraz projekcji klimatycznych CMIP6, które zwiększają szczegółowość czasową i przestrzenną dostępną dla badaczy.