Esiselvitysraportti ilmastoriskidatan syötteistä tekoälyn malleihin ja teknologiademonstraatioiden toteutukseen
Julkaistu: 31.10.2023. Täydennetty: 10.12.2023.
Tarkoitus: Tämä esiselvitysraportti toimii pohjana PERIL-hankkeen teknologiademonstraatioiden toteutuksen määrittelylle.
Esiselvityksessä selvitetään olemassa olevan ilmastoriskidatan – sekä laajemminkin ilmastoriskien mallien ja määritelmien – mahdollisia syötteitä teknologiademonstraatioihin. Tähän kokonaisuuteen viitataan ilmastoriskiaineistona.
Ilmastoriski-aineistolle on PERIL-hankkeen alkuvaiheessa hahmotettu seuraavia käyttökohteita teknologiademonstraatioissa:
Demo 1: riskitietoa eteläpohjalaisilta toimijoilta keräävä chatbot
- Ilmastoriskiaineiston käyttökohteita: kouluttaa AI-chatbot esittämään tarkoituksenmukaisia jatkokysymyksiä käyttäjälle hänen kertomien ilmastoriskien pohjalta.
Demo 2: ilmastoriskiportaali
- Ilmastoriskiaineiston käyttökohteita: portaalin rakenne muotoillaan jonkin hyväksytyn ilmastoriskien hallinnan mallin mukaiseksi; aineistoa portaalissa esitettäviin tietoiskuihin.
Demo 3: sparraava AI-chatbot
- Ilmastoriskiaineiston käyttökohteita: kouluttaa AI-chatbot esittämään tarkoituksenmukaisia jatkokysymyksiä käyttäjälle hänen kertomien ilmastoriskien tai esittämien kysymysten pohjalta; kouluttaa AI-chatbot ohjaamaan käyttäjä relevantin lisätiedon lähteille.
Esiselvityksen toteutus:
Lähtökohtana oli, että ilmastoriskiaineistoa on sekä tutkimuskirjallisuudessa (erityisesti vertaisarvioidut tieteelliset lehtiartikkelit) sekä verkossa (kuten datasettejä, raportteja).
Tekoäly (AI, koneoppiminen) on kahdessa roolissa tässä esiselvityksessä:
- Ensinnäkin selvitetään mitä dataa ja aineistoa on saatavilla kouluttamaan PERIL-hankkeessa kehitettävää AI-chatbotia ilmastoriskeihin liittyvissä kysymyksissä.
- Syys-lokakuussa 2023 suoritetun haun mukaan ei löytynyt julkaistuja relevantteja artikkeleita, joissa olisi tehty kirjallisuuskatsaus tekoälyn opettamiseen ilmastonmuutoksen riskeihin liittyen.
- Toiseksi selvitetään alustavalla tasolla, julkaistujen kirjallisuuskatsausten pohjalta, miten tekoälyä on käytetty ilmastoriskien tunnistamiseen, käsittelyyn ja pienentämiseen. Toisin sanoen, mitä ratkaisuja ilmastoriskeihin on tekoälyllä (tai tekoälyn tukemana) kehitetty.
Esiselvitys toteutettiin neljässä vaiheessa, kuten on raportoitu seuraavassa.
Vaihe 1. Ensimmäinen kartoitus tutkimuskirjallisuuteen
Suoritettiin katsaus olemassa olevaan tutkimuskirjallisuuteen keskeisiin tietokantoihin. Haut kohdistuivat artikkeleiden otsikoihin, avainsanoihin ja tiivistelmiin. Haut osoittivat, että aiheeseen liittyvää tutkimuskirjallisuutta on paljon, yli 700 potentiaalisesti relevanttia artikkelia. Aineisto on englanninkielistä koska haku kohdistui kansainvälisiin tietokantoihin. Osa artikkeleista on open access -aineistoa. Pääsy osaan artikkeleista edellyttää kirjautumista julkaisutietokantaan.
Käytetyt hakulausekkeet ja tietokannat on esitetty liitteessä. Uusia artikkeleita julkaistaan koko ajan, ja tarkoituksena onkin, että liitteessä kuvattujen hakulausekkeiden kautta haetaan viimeisimmät artikkelit, kun AI:n kouluttaminen on ajankohtaista. On mahdollista AI:ta koulutetaan säännöllisin väliajoin, esimerkiksi kahden kuukauden välein, uusien artikkeleiden kautta.
Tutkimuskirjallisuus on yleensä julkaistu PDF-muodossa. Hankeryhmän AI-asiantuntijan kanssa käymässä keskustelussa ilmeni, että PDF-dokumentin teknisen rakenteen vuoksi ei PDF-dokumentteja kannata käyttää sellaisenaan tekoälyn kouluttamisen aineistona. Syynä on se, että PDF:n teknisessä rakenteessa teksti ei välttämättä ole siinä järjestyksessä, kun se näyttäytyy julkaisussa. Myös PDF-dokumentin taulukoissa oleva aineisto on ongelmallista. Asiantuntija ehdottikin, että mikäli PDF-aineistoa käytetään tekoälyn kouluttamiseen, tulee hankeryhmän manuaalisesti siirtää relevantit tekstikohdat tavalliseen tekstitiedostoon.
Relevantti seikka liittyen tekijänoikeuskysymyksiin on olemassa olevien julkaisujen käyttämisessä tekoälyn opettamiseen. Tätä tiedeyhteisössä parhaillaan käytävää keskustelua AI:n kouluttamisesta tullaan seuramaan PERIL-hankkeessa. Kysymys on mm. siitä, miten AI:n kouluttamiseen käytetyt artikkelit ja niiden kirjoittajat tuodaan esille. Hankeryhmä tulee seuraamaan myös EU:n The AI Actia.
Vaihe 2. Ensimmäinen kartoitus muuhun aineistoon
Koska PERIL-hanke kohdistuu Etelä-Pohjanmaalle, tulee aineistossa ensisijaisesti käyttää aineistoa, joka kuvaa maakunnan tilannetta. Tätä voidaan täydentää muiden alueiden aineistolla, joka ei kuitenkaan saa olla ristiriidassa Etelä-Pohjanmaan ilmastoaineiston kanssa. Aineisto on siis sekä suomen että englanninkielistä.
AI:n opettamisessa tulee painottaa alueellista aineistoa, koska PERIL-hankkeen teknologiademonstraatioiden kohderyhmä ovat eteläpohjalaiset toimijat. Aineiston painoarvon maantieteellinen hierarkia (olennaisimmasta vähiten olennaiseen) voi olla esimerkiksi:
Etelä-Pohjanmaa — läntinen Suomi — Suomi — Pohjois-Eurooppa — (muu maailma)
Esimerkkejä aineistosta koskien Etelä-Pohjanmaata:
- Etelä-Pohjanmaalla tehtyä ilmastotyötä: https://epliitto.fi/aluesuunnittelu-ja-liikenne/ilmastotyo/
- Yhteenveto E-P:n tilanteesta (ote raportista v. 2021): https://www.ilmastopaneeli.fi/wp-content/uploads/2021/09/SUOMI-raportti_etela-pohjanmaa.pdf
- Etelä-Pohjanmaan ruokasektorin ilmastotiekartta (2022): https://www.theseus.fi/handle/10024/755419
- https://ilmastotyokalut.fi/raportit-ja-tyokalut/index.htm
- https://ilmastotyokalut.fi/parhaat-kaytannot/sopeutumisen-toteuttaminen/index.htm
Ilmastovyöhykkeeltään Etelä-Pohjanmaa sijoittuu keskiboreaaliseen pääluokkaan (https://www.ilmatieteenlaitos.fi/suomen-ilmastovyohykkeet). Hankeryhmän onkin jatkossa selvitettävä tarkemmin, että missä määrin on mahdollista hyödyntää ilmastoriskiaineistoa vastaavista ilmastovyöhykkeistä Suomen ulkopuolelta.
Jotkin ilmastoriskit, kuten tulvat, koskevat yhtä lailla Etelä-Pohjanmaata kuin vaikkapa Alankomaita. Tietyin edellytyksin (jotka tullaan määrittelemään tarkemmin PERIL-hankkeen aikana) voi olla mahdollista soveltaa Etelä-Pohjanmaalla muualla maailmassa kehitettyjä ratkaisuja näiden riskien ennakoimiseen ja käsittelemiseen. Hyviä käytänteitä (cases; design patterns) ympäri maailmaa tulee voida hyödyntää, vaikka niihin liittyvä ilmastoriski voi ilmetä Etelä-Pohjanmaalla eri mittakaavassa (esim. ajallisesti hitaammin) verrattuna toisaalla maailmassa.
Esimerkkejä globaalista aineistosta:
- Climate Change risk solution Design Patterns: https://www.coolingthecommons.com/pattern%20deck/
- Caseja: https://ilmastotyokalut.fi/parhaat-kaytannot/vihrea-infrastruktuuri/index.htm
Ennusteet ilmastonmuutoksen tulevista vaikutuksista pohjautuvat erilaisiin skenaarioihin kuten esimerkiksi RCP 4.5 ja RCP 8.5 (Zennaro et al. 2021). Onkin olennaista, että AI-chatbot kertoo käyttäjälle vastauksensa yhteydessä mihin ilmastonmuutoksen skenaarioon chatbotin välittämä tieto tai tulkinta pohjautuu.
Vaihe 3. Aineiston kategorisointi
Valikoituja artikkeleita lukemalla tunnistettiin muutama keskeinen tutkimusjulkaisu. Yksi kriteeri artikkelin valitsemiseen oli, että se siihen oli viitattu paljon tieteellisissä julkaisuissa.
Aineisto kategorisoitiin sen pohjalta, mihin ’teemaan’ ilmastoriskien käsittelyssä se kohdistuu. ’Teemat’ ovat:
- Ilmastoriskien määrittely (IPCC 2014)
- Adaptaatio (Rolnick et. al 2022)
- Mitigaatio (Rolnick et. al 2022)
Lisäksi on kaksi läpileikkaavaa ’teemaa’ jotka liittyvät ilmastoriskien määrittelyyn, adaptaatioon ja mitigaatioon, eli:
- Työkalut (Rolnick et. al 2022) joilla tunnistaa ja/tai käsitellä ilmastoriskejä.
- Kontekstit joihin liittyen ilmastoriskejä tunnistetaan tai käsitellään (Zennaro et al. 2021). Kontekstit voivat olla maantieteellisiä, tai ne voivat liittyä tietynlaiseen ilmastoriskiin (kuten tulvat) tai ne voivat liittyä tiettyyn toimialaan johon ilmastoriskit vaikuttavat (kuten palvelusektori, teollisuus, alkutuotanto). Myös muut kontekstit voivat osoittautua relevanteiksi PERIL-hankkeen aikana.
Nämä ’teemat’ avataan tarkemmin seuraavaksi.
Teema: Ilmastoriskien määrittely
Ilmastoriskit ovat ilmastonmuutoksen riskejä. YK:n IPCC-ilmastopaneelin (2014) mallin mukaan ilmastonmuutoksen riskit ovat funktio:
(1) ilmastonmuutoksen aiheuttamista fyysisistä vaaratekijöistä;
(2) ihmisten ja kohteiden altistumisesta vaaratekijöille;
(3) ihmisten ja kohteiden haavoittuvuudesta.
‘Kohde’ kattaa tässä yhteydessä laajalti esimerkiksi infrastruktuurin ja tuotantoeläimet. (Döll & Romero-Lankao 2017).
IPCC-ilmastopaneelin helmikuussa 2022 päivittämän riskiviitekehyksen kaksi keskeisintä tarkennusta ovat:
- ”riskivasteen lisääminen funktioon: vaaratekijä + altistuminen + haavoittuvuus + riskivaste = ilmastoriski”
- ”uusien riskikäsitteiden esittely ja määrittely: systeeminen riski, erilaiset kompleksiset riskit, kuten yhdistelmäriskit (aggregate risk, compound risk) ja kertautuvat riskit (cascading risk)”
- ”Riskivasteen lisääminen viitekehykseen tarkoittaa sitä, että ilmastoriskien arvioinnissa on huomioitava myös hillintätoimien ja sopeutumisen vaikutukset, eli onko esimerkiksi sopeutumisella onnistuttu vähentämään haavoittuvuutta tai hillintätoimilla riskiä. Tämä muutos lähentää riskiarvioinnin ja sopeutumisen tutkimuskenttiä, joiden välinen keskustelu ei toistaiseksi ole ollut kovin syvällistä ja tiivistä.” (Jurgilevich & Käyhkö 2022)
Keskeinen artikkeli ilmastoriskien käsitteelliseen määrittelyyn on:
Climate risk archetypes. Identifying similarities and differences of municipal risks for the adaptation process based on municipalities in Baden-Wuerttemberg, Germany (Riach et al. 2023)
- Artikkelissa on kuvattu esimerkkejä ’aihealueista’ (Domain) ja indikaattoreista joilla mitata/seurata/käsitellä em. fyysisiä vaaratekijöitä (Hazards), niille altistumista (Exposure) ja niille haavoittuvuutta (Vulnerability):
| Building block level | Domain | Indicator level |
| Hazard | Temperature |
Annual mean temperature Summer days Hot days Tropical nights Growing season length Frost days Ice days |
| Precipitation |
Summer precipitation Winter precipitation Heavy precipitation |
|
| Exposure & Vulnerability | Health |
Proportion of residents 65 years and older in % Population-weighted linear distance to the nearest physician Population-weighted linear distance to the nearest pharmacy |
| Building and housing |
Proportion of settlement areas Share of apartment buildings |
|
| Water |
Proportion of water protection zones and spring protection areas Share of water area in % of surface area |
|
| Nature Conservation and Biodiversity |
Percentage of protected areas Close to nature area per inhibitant |
|
| Agriculture and Soil | Percentage of CLC agricultural areas | |
| Forestry and Silviculture | Percentage of CLC forest areas | |
| Energy | Annual energy produced or transported | |
| Economy |
Business tax in € per inhabitant Employees per 100 working-age population in % Net commuters in % Critical industry sectors (metal, mineral, chemical, refineries, water and waste treatment) |
|
| Transport | Annual freight transported | |
| Tourism | Overnight stays per inhabitant | |
| Urban and regional planning |
Population density Regional population potential |
Teemat: Adaptaatio ja mitigaatio; työkalut
Adaptaatio ja mitigaatio ovat yleinen jaottelu ilmastoriskien käsittelemiselle (OECD, 2018).
Adaptaatio tarkoittaa keinoja, jolla mukaudutaan ilmastoriskien vaikutuksille.
Mitigaatio tarkoittaa keinoja, joilla vähennetään ilmastoriskien aiheuttajia, esimerkiksi toimenpiteitä jolla vähennetään CO2-päästöjä.
Keskeisiksi artikkeleiksi esiselvityksessä tunnistettiin seuraavat kolme (A., B., C.):
A. Exploring machine learning potential for climate change risk assessment (Zennaro et al. 2021)
- Artikkeli on kirjallisuuskatsaus koneoppimisen hyödyntämisestä ilmastoriskien arvioinnissa. Kirjallisuuskatsaus esitetään seuraavan jaottelun pohjalta:
| Risk assessment phase | (Reference) | Case study, Country – application context | Machine learning model | Ensemble model (Y/N) | Hybrid model (Y/N) | Task (CLASS, RERG, CLUST, PDM, PO, BIAS, CORRECTION) | Model aim | ML support to risk assessment | Climate Change scenario |
|
i. Hazard assessment ii. Exposure assessment iii. Vulnerability assessment iv. Risk assessment |
- Tämän artikkelin mukaan, “Most recent international and European policies are pressing countries to face climate change both through mitigation and adaptation strategies (OECD, 2018). Adaptation relates to the preparation to deal with climate challenges and assist citizens, communities and regions to better understand, prepare for and manage climate-related risks (Raymond et al., 2020). Following the Paris Agreement on climate change (PA) (2015), Member States have been pushed to develop and implement climate change risk analysis (CCRA) (Paris Agreement, 2015), to sustain science-based effective adaptation pathway”.
Toinen keskeinen artikkeli on B. Tackling Climate Change with Machine Learning (Rolnick et. al 2022). On huomattavaa, että tähän artikkeliin on viitattu julkaisunsa jälkeen, noin vuoden aikana, yli 750 kertaa.
- Artikkeli on laaja kuvaus erilaisista koneoppimisen mahdollistamista sovelluksista ilmastonmuutoksen ratkaisuihin jakautuen mitigaatioon, adaptaatioon ja työkaluihin seuraavan taulukon mukaisesti:
| Mitigation | ||
| Electricity systems |
Enabling low-carbon electricity Reducing current-system impacts Ensuring global impact |
|
| Transportation |
Reducing transport activity Improving vehicle efficiency Alternative fuels & electrification Modal shift |
|
| Buildings and citities |
Optimizing buildings Urban planning The future of cities |
|
| Industry |
Optimizing supply chains Improving materials Production & energy |
|
| Farms & forests |
Remote sensing of emissions Precision agriculture Monitoring peatlands Managing forests |
|
| Carbon dioxide removal |
Direct air capture Sequestering CO2 |
| Adaptation | ||
| Climate prediction |
Uniting data, ML & climate science Forecasting extreme events |
|
| Societal impacts |
Ecology Infrastructure Social systems Crisis |
|
| Solar geoengineering |
Understanding & improving aerosols Engineering a control system Modeling impacts |
| Tools for Action | ||
| Individual action |
Understanding personal footprint Facilitating behavior change |
|
| Collective decisions |
Modeling social interactions Informing policy Designing markets |
|
| Education | ||
| Finance |
Kolmas keskeinen artikkeli on C. Deploying artificial intelligence for climate change adaptation (Filho et al. 2022).
- Artikkeli on kirjallisuuskatsaus tekoälyn hyödyntämisestä ilmastomuutoksen mitigaatioon tai adaptaatioon. Mukana on 56 julkaisua, joiden sovellusalue on katsauksessa jaettu kahdeksaan kategoriaan (Main Area) alla olevan taulukon mukaisesti:
|
Theme (= tiivistelmä tutkimuksen aiheesta) |
Category: Climate Change Mitigation (M) or Adaptation (A) |
Main Area:
|
AI Application / Short description (= lyhyt kuvaus esim. tutkimuksessa käytetyistä koneoppimisen menetelmistä) |
Implications (= yhteenveto siitä, minkä ilmastonmuutoksen haasteen ratkaisemiseen koneoppimista on tutkimuksessa hyödynnetty) |
Vaihe 4. Yhteenveto hakulausekkeista aineiston hakemiseen
Seuraavaan taulukkoon on koottu hakulausekkeita aineiston hakemiseen tekoälyn kouluttamiseen. Hakulausekkeissa päätettiin käytettävän US English -kirjoitusasua. Uutta aineistoa, kuten tutkimusartikkeleita, julkaistaan jatkuvasti, joten haku ja aineiston hakeminen tulee tehdä vasta kun AI:n koulutus aloitetaan. Haku mahdollisesti toistetaan 3-6 kuukauden päästä ja aineistoa täydennetään uusimmilla julkaisuilla. Osa aineistosta on julkaistu kirjoissa, joita haulla ei välttämättä tunnisteta.
Osa julkaisuista saattaa olla merkittävämpää kuin muut. Tämän vuoksi tulee harkita, miten tekoälyn koulutukseen otettavissa artikkeleissa painotetaan julkaisun foorumia (esim. pohjautuen suomalaisen julkaisufoorumin JuFo 0, 1, 2, 3 -luokitukseen, tai vastaavaan kansainväliseen luokitukseen) ja julkaisun saamien viittausten määrää.
| ’Teema’ | Keskeiset aiheet käyttäjien AI:lle esittämille kysymyksille + Hakulauseke, jolla haetaan tutkimusartikkelit AI:n opettamiseen |
| Ilmastoriskien määrittely |
1. (”Climat* risk*” OR ”climat* change risk*”) AND (defin* OR understand*) = Tämä hakuyhdistelmä löytää artikkeleita, jotka keskittyvät ilmastoriskien määrittelyyn ja ymmärtämiseen.
1. (”Climat* risk*” OR ”climat* change risk*”) AND (identify* OR recogniz* OR assess*) = Tämä hakuyhdistelmä löytää artikkeleita, jotka keskittyvät ilmastoriskien tunnistamiseen ja havaitsemiseen.
1. ”climat* change” AND (risk* OR threat*) – Tällä hakuyhdistelmällä löydetään artikkeleita, jotka käsittelevät ilmastonmuutoksen negatiivisia riskejä, eli uhkia. 2. ”climat* change” AND (risk* OR threat*) AND (impact* OR consequence* OR effect*) = Tämä hakuyhdistelmä rajaa hakua koskemaan artikkeleita, jotka käsittelevät ilmastonmuutoksen vaikutuksia ja niiden aiheuttamia uhkia eri näkökulmista.
1. (”Climat* risk*” OR ”climat* change risk*”) AND (cause* OR (“origin* of”) OR (factor* W/2 contribut*) OR source*) = Tällä hakuyhdistelmällä löydetään artikkeleita, jotka käsittelevät ilmastoriskien syitä ja niiden alkuperää.
1. (”Climat* risk*” OR ”climat* change risk*”) AND (expos* W/3 to) = Tällä hakuyhdistelmällä löydetään artikkeleita, jotka käsittelevät ilmastoriskille altistumista. 2. (”Climat* risk*” OR ”climat* change risk*”) AND (expos* W/3 to) AND (way* OR method* OR practice*) = Tällä hakuyhdistelmällä hakua rajataan koskemaan artikkeleita, jotka käsittelevät ilmastoriskille altistumisen tapoja. |
| Adaptaatio |
|
| Mitigaatio |
|
| Työkalut |
Hakulausekkeen esimerkissä ilmastoriski X = vedenpinnan nousu:
|
| Kontekstit |
Seuraavassa esimerkkejä muutamista mahdollista konteksteista, joissa ilmastoriskejä voidaan tarkastella. Tässä osoitetaan periaate, jolla hakulausekkeet muodostetaan. Konteksti = Etelä-Pohjanmaa:
Konteksti = viljely:
Konteksti = turismi:
|
Esiselvityksen lähdeluttelo
Döll, P., & Romero‐Lankao, P. (2017). How to embrace uncertainty in participatory climate change risk management—A roadmap. Earth’s Future, 5(1), 18-36.
Filho, L., W., Wall, T., Mucova, S. A. R., Nagy, G. J., Balogun, A. L., Luetz, J. M., … & Gandhi, O. (2022). Deploying artificial intelligence for climate change adaptation. Technological Forecasting and Social Change, 180, 121662.
Jurgilevich, A. & Käyhkö, J. (2022). Climate risk is dynamic, complex, and includes response / Ilmastoriski on dynaaminen ja kompleksinen. https://www.helsinki.fi/en/researchgroups/urban-environmental-policy/news/climate-risk-is-dynamic-complex-and-includes-response-ilmastoriski-on-dynaaminen-ja-kompleksinen
OECD (2018). OECD Work in Support of Climate Action. OECD Environment Working Papers. http://www.oecd.org/environment/cc/OECD-work-in-support-of-climate-action.pdf
Riach, N., Glaser, R., Fila, D., Lorenz, S., & Fünfgeld, H. (2023). Climate risk archetypes. Identifying similarities and differences of municipal risks for the adaptation process based on municipalities in Baden-Wuerttemberg, Germany. Climate Risk Management, 100526.
Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., … & Bengio, Y. (2022). Tackling climate change with machine learning. ACM Computing Surveys (CSUR), 55(2), 1-96.