Artificial Intelligence for Climate Adaptation Decision Support in Data-Poor Developing Regions

气候适应是在不确定性下做出的一系列决策，而气候风险上升最快的地区恰恰是指导信息最匮乏的地区。世卫组织非洲区域仅登记了约10%的死亡病例；最不发达国家和小岛屿国家缺失了近90%所需的地面天气观测数据；仅有40%的非洲国家拥有多灾种早期预警系统。本报告考察人工智能——机器学习、遥感和预测分析——能否弥合这些信息缺口，改善数据匮乏的发展中地区的适应决策。报告将这一问题组织为一条决策链，包含三个信息缺口——观测、预测和决策——以及一个人工智能无法弥合的行动缺口。报告发现，人工智能在预测方面进展最快：人工智能天气模型于2025年在欧洲中期天气预报中心（ECMWF）投入业务运行，人工智能洪水预报现已覆盖100个国家和约7亿人口，卫星临近预报覆盖了一个几乎没有雷达的大陆，人工智能季风爆发预报于2025年惠及3800万印度农民。在观测方面，卫星机器学习可解释村庄财富约70%的变异，但对时间变化的解释力仅约一半。在决策方面，来自多哥、孟加拉国和肯尼亚的证据表明，人工智能辅助的目标定位、基于预报的触发机制和卫星指数保险能够在明确限度内更快、更好地提供援助。报告的核心论点是地面真值悖论：人工智能能够将稀缺的观测数据发挥更大效用，但每个人工智能产品都必须依据地面真值进行训练和验证，因此对人工智能的依赖提升了每一个剩余站点、调查和标注数据的价值。2025年FEWS NET的中断和DHS项目的终止表明这一基础何等脆弱。由于信息的价值是技能、提前期、覆盖面、信任和行动手段的乘积，最高回报通常不在于更精密的模型，而在于传播、制度和预先安排的融资。报告提出了风险登记册、六项原则的政策框架、各行为主体的行动以及到2030年的路线图。