Mašinsko učenje ističe načine za poboljšanje ublažavanja poplava

Mašinsko učenje ističe načine za poboljšanje ublažavanja poplava

Poplave u Sjedinjenim Državama koštaju zajednice više od 32 milijarde dolara svake godine. Kako klimatske promene izazivaju sve ozbiljnije i nestalne oluje, stručnjaci predviđaju da će ta cifra porasti u narednim godinama: prognoze procenjuju da će se rizik od poplava povećati za više od 26% do 2050. Zbog socioekonomskih nejednakosti u ublažavanju rizika od poplava, poplave nesrazmerno utiču na metropola sa većom populacijom crnaca, starosedelaca i ljudi u boji (BIPOC).

U tom kontekstu, Nađa Vejgel i kolege primenjuju mašinsko učenje koje se može tumačiti da bi bolje razumeli efikasnost strategija otpornosti na poplave. Da bi izgradio model mašinskog učenja, tim je odabrao 400 bihejvioralnih i socioekonomskih varijabli koje utiču na odgovor na katastrofu i ublažavanje posledica. Oni su uključivali i napore odozdo prema gore, na nivou domaćinstva (npr. osiguranje ili poboljšanje imovine) i mere politike odozgo nadole, kao što su politike na nivou zajednice.

Autori su koristili podatke o osiguranju od poplava otvorenog pristupa iz Nacionalnog programa osiguranja od poplava i Ankete američke zajednice Biroa za popis stanovništva SAD. Njihovi nalazi su objavljeni u časopisu Earth’s Future.

Rezultati su pokazali da većina domaćinstava stiče osiguranje od poplava kao odgovor na teške poplave. Stoga je veća vjerovatnoća da će stanovnici zajednica koje nisu redovno ili jako izložene štetnim poplavama biti neosigurane. Autori takođe primećuju da velika promena stanovništva u gradovima često ograničava poznavanje istorije poplava, slabeći napore za ublažavanje i pripremu. Urbana područja takođe obično imaju manje prihvatanje osiguranja.

Nasuprot tome, politike na nivou zajednice kao što je sistem ocenjivanja zajednice (CRS) Nacionalnog programa osiguranja od poplava nude proaktivniji pristup. CRS podstiče usvajanje osiguranja smanjenjem premija za zajednice koje preduzimaju mere za ublažavanje i upravljanje poplavnim područjima. Autori sugerišu da bi sistem mogao efikasnije da se pozabavi nejednakostima u riziku od poplava ciljanjem na nedovoljno opsluživane, ugrožene zajednice.

Istraživanje naglašava prethodne nalaze da su ugrožene grupe sistematski izloženije poplavama i da bi mogle imati koristi od povećane otpornosti. Podaci pokazuju da pristupi odozgo prema dole, kao što je CRS, nude proaktivna rešenja za poplave koja pomažu u rešavanju strukturalnih nejednakosti u riziku. Iako osiguranje od poplava ostaje kritična strategija u upravljanju rizikom, to je često reaktivan pristup koji pruža ograničenu pomoć kada nije praćen naporima na nivou zajednice.