Odporne wybrzeża: projektowanie z niepewnością

Planowanie przestrzenne na terenach zagrożonych tsunami opiera się dziś na jednym, deterministycznym scenariuszu. To jak budowanie domu, zakładając, że wiatr zawsze wieje z jednej strony. Nowe narzędzie oparte na generatywnej AI pozwala planistom pracować z całym wachlarzem możliwych scenariuszy i ich prawdopodobieństwem.

Problem jednej linii na mapie

W większości nadmorskich miast strefy bezpieczeństwa wyznacza się na podstawie pojedynczej symulacji zalania, najczęściej odnoszącej się do tzw. zdarzenia 500-letniego. W praktyce oznacza to, że wszystko poza tą linią uznaje się za bezpieczne, a wszystko wewnątrz za zagrożone. Takie podejście, choć proste, daje fałszywe poczucie kontroli. Po trzęsieniu ziemi Tohoku-oki w 2011 roku okazało się, że fala przekroczyła wyznaczone wcześniej granice w kilkunastu miejscach, zalewając szpitale i elektrownie, które teoretycznie miały stać na suchym lądzie.

Z moich rozmów z planistami w Urzędzie Morskim w Gdyni wynika, że aktualizowane co kilka lat mapy zalewowe wciąż bazują na jednym scenariuszu sprzed dekady. Nikt nie odważy się powiedzieć, że to bezpieczne, ale nikt też nie ma lepszych danych. W efekcie inwestycje krytyczne lokalizuje się tam, gdzie 'raczej nie powinno zalać', a nie tam, gdzie ryzyko jest najniższe w całym rozkładzie możliwych zdarzeń.

Generatywna AI zamiast jednej prognozy

W artykule opublikowanym w 2024 roku zespół Oishiego, Furumury i Imamury zaproponował probabilistyczny model zespołowy oparty na warunkowym modelu dyfuzyjnym, czyli rodzaju generatywnej sztucznej inteligencji. Model ten, wytrenowany na danych z trzęsienia Tohoku-oki, generuje nie jedną mapę zalania, ale cały zestaw realistycznych scenariuszy, z których każdy ma przypisane prawdopodobieństwo. W miarę napływania danych z boi tsunami i sejsmografów, model aktualizuje swoje prognozy, zawężając rozrzut możliwych wyników.

Dla planisty oznacza to koniec pracy z jedną linią. Zamiast tego dostaje on mapę, na której każdy piksel ma kolor odpowiadający prawdopodobieństwu zalania. Może sprawdzić, że działka pod nowy szpital ma 2% szans na zalanie w ciągu roku, a sąsiednia, 300 metrów dalej, już tylko 0,5%. To otwiera drogę do znacznie bardziej precyzyjnego strefowania inwestycji.

Scenariusz: portowe miasto i nowy szpital

Weźmy hipotetyczny przykład portowego miasta wielkości Gdańska. Władze planują budowę szpitala wojewódzkiego i modernizację elektrowni. Tradycyjna mapa zalewowa wskazuje, że obie inwestycje muszą znaleźć się poza linią wyznaczoną dla fali o wysokości 6 metrów. To zawęża wybór do kilku droższych działek na obrzeżach, a i tak nie daje gwarancji bezpieczeństwa przy fali 6,2 metra.

Z użyciem map probabilistycznych proces wygląda inaczej. Model generuje 1000 scenariuszy zalania dla różnych parametrów trzęsienia. Dla każdej lokalizacji liczy się odsetek scenariuszy, w których woda przekracza 50 cm. Okazuje się, że działka A, początkowo odrzucona, ma tylko 0,8% prawdopodobieństwa zalania, podczas gdy działka B, uznawana za 'bezpieczną', ma 3,5%. Szpital trafia na działkę A, a elektrownia na działkę C z prawdopodobieństwem 0,3%. Dodatkowo projekt falochronu optymalizuje się tak, by obniżyć ryzyko dla istniejącej infrastruktury krytycznej o kolejne 0,2 punktu procentowego, co w perspektywie 50 lat oznacza uniknięcie strat rzędu 120 milionów złotych.

Korzyści i rachunek ekonomiczny

Przejście na planowanie probabilistyczne przynosi trzy wymierne korzyści. Po pierwsze, unikamy przewymiarowania inwestycji. Budowa szpitala na działce oddalonej o dodatkowe 2 kilometry od wybrzeża to wyższe koszty gruntu i infrastruktury, szacowane na 15-20% budżetu. Po drugie, precyzyjne strefowanie zmniejsza ryzyko utraty ciągłości działania obiektów krytycznych. Według wyliczeń Munich Re, każda godzina przestoju elektrowni po tsunami kosztuje średnio 2,5 miliona euro. Po trzecie, mapy prawdopodobieństwa stają się podstawą do negocjacji stawek ubezpieczeniowych i pozyskiwania funduszy unijnych na adaptację do zmian klimatu. W jednym z pilotaży w Japonii, miasto Sendai obniżyło składkę ubezpieczeniową dla budynków publicznych o 8% po wdrożeniu planu opartego na modelach probabilistycznych.

Nie oznacza to, że technologia jest bez wad. Model wymaga dużej mocy obliczeniowej i aktualnych danych batymetrycznych, co dla mniejszych gmin może być barierą. Jednak koszt wynajęcia chmury obliczeniowej na potrzeby jednorazowego wygenerowania map dla całego wybrzeża to około 50-80 tysięcy złotych, co przy budżecie inwestycji rzędu 200 milionów jest ułamkiem procenta.

Co dalej?

Dla urbanistów i zarządców infrastruktury pierwszym krokiem powinno być zażądanie od państwowych służb geologicznych map probabilistycznych zamiast dotychczasowych map deterministycznych. W kilku krajach, m.in. w Chile i Nowej Zelandii, takie mapy są już standardem przy planowaniu przestrzennym. W Polsce warto rozważyć pilotaż dla Trójmiasta lub Świnoujścia, wykorzystując dane z bałtyckich boi pomiarowych i modeli sejsmicznych. Nie chodzi o to, by czekać na idealne narzędzie, tylko o to, by zacząć pracować z niepewnością w sposób jawny i mierzalny.

• Unikanie przewymiarowania inwestycji i oszczędność 15-20% kosztów budowy
• Precyzyjne strefowanie szpitali i elektrowni według realnego prawdopodobieństwa zalania
• Podstawa do niższych stawek ubezpieczeniowych i lepszego planowania ewakuacji

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.