Data kan forhindre katastrofer

Den humanitære sektor er presset – meget presset. Med Trumps beslutning om at lukke USA’s agentur for udviklingsbistand (USAID) i 2025 er 36 % af verdens bistand med ét væk. Det betyder, at UN World Food Programme (WFP) har skåret drastisk i deres nødhjælp til f.eks. Afghanistan og Yemen, og at Dansk Flygtningehjælp må fyre flere tusinde medarbejdere for blot at nævne to ramte nødhjælpeorganisationer. Det betyder også, at hvis vi skal hjælpe og støtte verdens fattigste lande i blot tilnærmelsesvis samme udstrækning som hidtil, skal det ske mere effektivt – mere for de samme penge – og det har den danske NGO, Copenhagen Hazard Mapping (CHM), et bud på hvordan vi gør.  

Data er nøglen, og de kommer bl.a. fra satellitfotos og remote sensing som radarer og termiske sensorer til SoMe-opslag, ældre litteratur, rapporter og artikler samt brug af teknologier som AI og LLM (Large Language models). Kort sagt en masse forskellige data og datakilder, som allerede eksisterer, men som skal sammenkøres på nye måder for at give et overblik.   

Minerydning som udgangspunkt 

Udgangspunktet for at bygge systemet i CHM har været at effektivisere minerydning i lande som Ukraine og Syrien.  

- Miner koster hvert år tusindvis af menneskeliv og amputationer og svimlende summer til rydning og jord, der ligger brak og ikke kan dyrkes i nogle af verdens mest fattige lande. Ved hjælp af mange forskellige data kan vi indsnævre området, hvor minerne befinder sig, så der f.eks. ikke længere er 10.000 kvadratkilometer ubrugelig jord, men måske kun 1.000. Så bliver selve minerydningen langt billigere og mere effektiv, og lokalbefolkningen kan hurtigere dyrke jorden igen, uden at der sker ulykker, siger Martin Jebens, der tidligere har arbejdet for bl.a. Internationalt Røde Kors (ICRC) og Geneva International Centre for Humanitær Minerydning (GICHD) med fokus på katastroferisikostyring.  

De data som CHM putter ind i systemet i forhold til minerydning kan helt konkret være alt fra aktuelle geografiske data fra landområder, der sammenkøres med ældre data, f.eks. gamle luftfotos, hvor man kan se kratere efter detonation af miner, og rapporter om, hvor der har været krigshandlinger, til data fra lokale sygehuse, der giver viden om i hvilke områder, der er registreret flest sprængulykker, samt offentlige data fra f.eks. Facebook, X, og Instagram, hvor folk skriver om personlige oplevelser i områderne.  

- Det er alt sammen data, der hjælper til at lokalisere, hvor minerne kan være i dag, fordi AI på meget kort tid kan se sammenhænge og mønstre i de meget forskellige data, siger Martin Jebens.  

Vi har allerede de data, vi skal bruge  

De to andre stiftere i CHM er Bo Benemann Bischoff, der har en fortid i forsvaret og har arbejdet med mine- og bomberydning over hele verden, og professor i rumvidenskab Kristian Pedersen, der har bl.a. har arbejdet på DTU Space med fokus på brug af rumdata. 

Både dem og Martin Jebens har set humanitære katastrofer på tæt hold, og de er enige om, at det er nødvendigt, at den humanitære sektor tænker nyt og smartere for at kunne imødegå voksende udfordringer.  

- I den humanitære sektor er der en tendens til at mene, at der er brug for nye og flere data for at tage de rette beslutninger. Vi tror derimod, at vi allerede har de data, vi har brug for. Vi kan bare ikke finde ud af at bruge dem godt nok i dag og se sammenhængene, fordi de data er så diverse og kommer fra så mange forskellige kilder, men her er AI løsningen, siger Martin Jebens.  

Sidste år gennemførte CHM et såkaldt proof of concept, hvor de udelukkende brugte frit tilgængelige data og AI til at finde minerede områder i Afghanistan. Det var en succes. 

- Vi var i stand til at finde minefelterne med op til 90 % sandsynlighed ud fra helt frit tilgængelige data. Det har givet os en tro på, at vi kan blive langt, langt bedre blot ved at bruge generiske data, som ikke er direkte forbundet med miner, men som alle er indicier på, at de er der, siger Martin Jebens.  

Det kan være data om tilskadekomne, indikationer på detonationskrater, affald fra krigshandlinger som tomme hylstre fra mortergranater i området sammen med geografiske data.   

Metode til at forudsige katastrofer   

Systemet i CHM kan bruges til meget forskelligt og vil også kunne bruges til at forudsige hvilke områder, der er i fare for fx tørker eller oversvømmelser. 

- Vi ser ind i en verden med flere og flere polykriser og -katastrofer, hvor kriserne er forbundne og forstærker hinanden, og vi er nødt til at blive bedre til at kunne forudse, hvor det rammer, så vi kan forberede os eller helt forsøge at undgå katastroferne, siger Martin Jebens.  

Lige nu er CHM i gang med at søge funding i Danmark til projekter, der kan træne systemet og få AI’en til at forudsige naturkatastrofer ved at genkende mønstre i alle de data, den får.  

Samarbejde er eneste vej  

På nuværende tidspunkt har CHM  bl.a. partnerskaber med virksomhederne DHI Group, KMD, ClearSkyVision, japanske NEC, universiteter som SDU og Kiev Polytechnical Institute samt NGO’er som Dansk Flygtningehjælp. På den måde er virksomheden også et  eksempel på, hvordan den private, akademiske og humanitære sektor kan berige hinanden, hvilket ifølge Martin Jebens er nødvendigt for, at vi kan løse nogle af de globale udfordringer.  

- Den humanitære sektor er vingeskudt og har ikke kapaciteten til at løfte opgaven alene. Den akademiske sektor har interessen i at forske i nye teknologier, der kan afhjælpe humanitære udfordringer, og den private sektor har kapaciteten til at gøre teknologierne operative. Alle vinder på at samarbejde, siger Martin Jebens, der sammen med sine to kollegaer er blevet nomineret til GICHD Innovation Award 2025, (The Geneva International Centre for Humanitarian Demining).