Hvorfor AI feilet under Texas-flomene i 2025: Viktige lærdommer for katastrofehåndtering

I juli 2025 opplevde Texas en av de verste flomene i sin historie. Katastrofen krevde over 145 liv og forårsaket skader for milliarder av dollar. Mange samfunn var ikke forberedt på hastigheten og styrken av de stigende vannene. Dette skjedde til tross for den utbredte troen på at kunstig intelligens (AI) kunne forutsi og håndtere slike hendelser.

I årevis har AI blitt presentert som en vital løsning for å forutsi ekstremvær. Regjeringer og eksperter har avhengig av det for å forbedre tidlige advarsler. Men under denne krisen fungerte teknologien ikke som forventet. Hendelsen viser at mens AI tilbyr mange fordeler, har den også begrensninger. Disse begrensningene må bli tydelig forstått og håndtert for å forbedre folkesikkerheten i fremtidige klimarelaterte nødsituasjoner.

Texas-flomene i 2025: En vekkerklokke

Den 4. juli 2025 opplevde Sentral-Texas en av de dødeligste innlandsflomene i nyere amerikansk historie. Området hadde allerede sett flere dager med kraftig regn. Men denne dagen ble forholdene raskt verre. På bare noen timer steg Guadalupe-elven skarpt fra mindre enn 3 fot til over 34 fot i noen områder. Vannet brøt gjennom breddene og svepte bort hjem, kjøretøy og liv.

En sjelden blanding av værforhold forårsaket katastrofen – fuktighet fra restene av tropisk storm Barry kombinert med andre stormer som beveget seg over området. Områdets jord, allerede hardnet av tørke, kunne ikke absorbere den plutselige nedbøren. Som resultat falt over 10 tommer regn i noen steder innen bare tre timer. Få mennesker i området hadde noen gang sett regn av denne intensiteten.

Samfunn som Kerrville ble hardest rammet. Minst 135 mennesker døde, inkludert 37 barn og ansatte fra Camp Mystic, en sommerleir beliggende langs elven. Hele nabolag ble oversvømt. Mange bedrifter ble skadet eller ødelagt. Veier, broer og kritisk infrastruktur kollapset. Eksperter anslår de totale tapene til å være mellom 18 milliarder og 22 milliarder dollar, noe som gjør det til en av de dyreste naturkatastrofene i regionens historie.

Nødtjenestene var overveldet. Det nasjonale værforvaltningen utstedte over 22 advarsler og flomvarsel dagen før. Men vannet steg for raskt. I noen områder ga prognosene fra ulike modeller blandede resultater. Dette forårsaket forvirring og forsinket noen evakueringsbeslutninger. I flere byer fungerte ikke nødsirener. Mange mennesker fikk ikke tilstrekkelig varsel i tide. Strømbrudd og mobilnettsproblemer gjorde det også vanskelig for redningsmannskaper å nå mennesker eller dele informasjon.

Under krisen ble plattformer som X (tidligere Twitter) viktige kilder til oppdateringer. Mennesker postet videoer og ba om hjelp. Frivillige brukte disse meldingene til å organisere redningsinnsats. Men mange innlegg var ikke verifisert. Dette ledet til forvirring og noen ganger spredte feil informasjon.

Texas-flomene i 2025 viste betydelige svakheter i delstatens katastrofehåndteringssystem. Prognoseverktøyene holdt ikke pace med stormens hastighet; kommunikasjonsfeil og mangel på samordning forverret skadene ytterligere. Tragedien viste behovet for bedre tidlige advarselsystemer, forbedret planlegging og mer pålitelig infrastruktur for å beskytte sårbare samfunn i fremtiden.

Hvorfor AI ikke kunne forutsi Texas-flomene riktig

Flomene i Texas i juli 2025 viste at AI-systemer ennå er langt fra perfekte. Disse systemene klarte ikke å gi klare og tidlige advarsler. Mange tekniske og menneskelige problemer samlet seg. Disse inkluderte manglende data, svake modeller, dårlig kommunikasjon og begrensede bruksområder for AI hos nødtjenestene. Problemene diskuteres nedenfor:

Svake data og manglende informasjon

Nøyaktig og tidsriktig data er essensielt for at AI skal kunne forutsi flom effektivt. Under Texas-flomene i juli 2025 manglet mange små nedbørsfelt i Sentral-Texas tilstrekkelige sensorer. I noen steder sviktet eller nådde elvegauger sine maksimale grenser på grunn av ekstreme forhold. Dette gjorde det vanskelig å samle pålitelig data under de kritiske timene.

NASAs SMAP-satellitt gir nyttig jordfuktighetsdata, men dens oppløsning, som varierer fra 9 til 36 kilometer, er for grov for lokal flomprognose. Tidligere hadde SMAP en radar-sensor som tilbød høyere oppløsning, som varierte fra 1 til 3 kilometer. Den stoppet å fungere i 2015. Nå brukes bare radiometern, som ikke kan detektere raske, småskalale endringer. Dette er et betydelig hull i områder som Sentral-Texas, hvor flom kan variere innen bare ett kilometer. Uten finmasket data sliter AI-verktøy med å gi nøyaktige og tidlige flomadvarsler.

Vær-radar-systemer hadde også problemer under Texas-flomene. Kraftig regn i kupert terreng forårsaket signal-tap og spredning, som reduserte nøyaktigheten av regnmålinger. Dette skapte blinde soner som påvirkte både tradisjonelle og AI-baserte flomprognoser.

Plattformer som Google Flood Hub (GOOGL ) kombinerer satellittbilder, radar-data, sensor-inndata og tidligere flomrekorder. Men uten sanntids lokale data fra elvegauger og sensorer, mister disse systemene nøyaktighet. Under flomene i 2025 var mange datakilder ikke fullstendig koblet. Satellitt-, radar- og bakke-sensordata ble ofte behandlet separat, noe som resulterte i forsinkelser og dårlig koordinering. Dette begrensede AI-systemenes evne til å spore flommen i sanntid.

AI-verktøy trenger rask, fullstendig og godt integrert data. I dette tilfelle gjorde manglende og usynkroniserte inndata det vanskelig for dem å forutsi hvordan flommen ville utvikle seg.

AI-modellene var ikke klar for ekstrem regn

Flomene i Texas i juli 2025 avdekket betydelige hull i både tradisjonelle og AI-baserte prognosesystemer. I deler av Sentral-Texas falt over 10 tommer regn innen en tre-timers periode. På sitt høyeste nådde regnet 4 tommer per time. Meteorologer beskrev dette som en 500-årsflom, en hendelse med en 0,2% sjanse for å skje i løpet av et år.

De fleste AI-modellene som brukes for vær- og flomprognose er trent på tidligere data. De fungerer bra når været følger kjente mønster. Men de feiler ofte under ekstreme eller sjeldne hendelser. Disse kalles for utenfor-distribusjons-hendelser. Texas-flommen var en slik hendelse. Modellene hadde ikke sett noe lignende før, så deres prediksjoner var uakkurate eller forsinkede.

Andre problemer gjorde situasjonen verre. Området hadde vært utsatt for tørke, så den tørre jorden kunne ikke absorbere vann raskt. Det kuperte terrenget økte avrenning. Elvene steg raskt og oversvømmet. Fysikk-baserte modeller kan simulere slike komplekse situasjoner. Men mange AI-modeller kan ikke. De mangler fysisk resonnering og noen ganger gir resultater som ser korrekte ut, men ikke er realistiske.

Kommunikasjon og advarselssystemer fungerte ikke godt

AI-prediksjoner hjelper bare når de leveres tydelig og i tide. I Texas skjedde dette ikke. Det nasjonale værforvaltningen (NWS) brukte modeller som High-Resolution Rapid Refresh (HRRR), som forutså kraftig regn 48 timer før flommen. Men advarslene var ikke klare. AI-utdata viste ruter og sannsynligheter. Lokale myndigheter trengte enkle advarsler. Å oversette komplekse data til klare advarsler forble en teknisk utfordring.

Nødadvarsler feilet også. CodeRED, et telefon-basert system, trengte manuell aktivering. I noen fylker var dette forsinket med 2 til 3 timer. Ut-datert programvare og svak integrasjon med AI-verktøy forårsaket problemer. AI-modellene kjørte på sky-systemer, men lokale byråer brukte eldre databaser. Disse kunne ikke håndtere sanntidsdata. I noen tilfeller overskred forsinkelsene i data-deling 30 minutter.

Noen private modeller gjorde det bedre. WindBorne, for eksempel, bruker høy-høyde-ballonger til å samle inn data. Deres modeller ga bedre lokaliserede regnprognoser enn NWS-verktøy. Men NWS var ikke i stand til å bruke dem i tide. Eksterne modeller trengte uker med validering. Det var også ingen standard-API-er for rask data-deling. WindBornes dataformat matchet ikke NWS-systemer. Så selv om prognosene var nøyaktige, forble de ubrukte under nødsituasjonen.

Menneskelige problemer gjorde situasjonen verre

Menneskelige faktorer la til tekniske problemer. Nødtjenestledere var overveldet av data. AI-modellene genererte ulike utdata, inkludert regnkart og flomrisiko-nivåer. Disse kom fra ulike kilder, som Google Flood Hub og NWS. Noen ganger matchet ikke prediksjonene. Et system indikerte en 60% flomrisiko, mens et annet viste en 80% risiko; denne forvirringen forsinket lokale myndigheters beslutninger.

Trening var også et problem. Mange lokale lag hadde liten erfaring med AI. De kunne ikke forstå komplekse modell-utdata. Dyp-læring-systemer, som Flood Hub, var tilgjengelige, men det er ingen bevis for at de ble aktivt brukt eller forstått av lokale nødtjenester under krisen. Forklarlig AI-verktøy, som SHAP, som forbedrer tolkbarhet, kunne ha hjulpet med å håndtere situasjonen mer effektivt.

I tillegg møtte nødtjenestepersonale en overveldende mengde informasjon. De måtte behandle AI-genererte prognoser, radar-bilder og offentlige advarsler. Volumet og inkonsistensen av denne dataen bidro til forsinkelser i responsen og tilføyde til forvirringen.

Lærdommer og fremtiden for AI i katastrofehåndtering

Texas-flomene i juli 2025 demonstrerte potensialet for AI i nødsituasjoner. Samtidig avdekket de betydelige svakheter. Mens AI-systemer tilbød tidlige advarsler og prognoser, feilet de ofte når det virkelig betydde noe. For å forberede seg bedre på fremtidige katastrofer, må vi lære av denne hendelsen. De viktigste lærdommene er knyttet til datakvalitet, modell-design, kommunikasjonsgap, klimatilpasning og samarbeid.

Svake data-grunnlag begrenser AI-nøyaktighet

AI-systemer avhenger av sanntids, høykvalitets data. I landlige områder som Kerrville var det få elvegauger. Dette etterlot store blinde soner. Som resultat feilet prediksjonene med å fange lokale flom-mønster. Satellitt-data hjalp, men manglet detalj. NASAs SMAP-sensor, for eksempel, dekker store områder, men i lav oppløsning. Lokale bakke-sensorer er nødvendige for å finjustere slike data.

En løsning er å utvide sensornettverk i høyrisiko-områder. En annen er å involvere lokale samfunn. I Assam, India, har lokale byråer utplassert mobil-baserte vær-stasjoner og pilotert borger-rapporteringsverktøy for å forbedre dekningen i flom-utsatte områder. Et lignende system i Texas kunne involvere skoler og lokale grupper for å rapportere flom-tegn.

AI-modellene trenger virkelige verdens-ressonnering

De fleste nåværende AI-modellene lærer fra mønster, ikke fysikk. De kan forutsi regn, men sliter med å modellere virkelig flom-atferd nøyaktig. Dyp-lærings-systemer feiler ofte i å fange hvordan elver stiger og oversvømmer. Under Texas-flomene under-estimerte noen modeller vann-surge. Dette forsinket viktige beslutninger.

Hybrid-modeller er en bedre løsning. Disse kombinerer AI med fysikk-baserte systemer for å forbedre realisme og tillit. For eksempel bruker Googles Flood Forecasting Initiative en hybrid-tilnærming som kombinerer en Hydrologisk Modell (basert på maskin-læring) med en Inundation Modell (basert på fysisk simulering). Dette systemet har demonstrert forbedret nøyaktighet og led-tid-pålitelighet i elve-flom-prognose over mer enn 100 land.

Kommunikasjonsgap gjorde situasjonen verre

Under flomene produserte AI-systemer nyttige prognoser. Men informasjonen nådde ikke riktige personer i tide. Mange nødtjenesteteamer var allerede under press. De mottok advarsler fra ulike systemer. Noen av meldingene var forvirrende eller til og med motstridende. Dette forårsaket forsinkelser i å iverksette tiltak.

Et større problem var måten informasjonen ble delt. Noen nødtjenestearbeidere var ikke trent til å forstå AI-utdata. I mange tilfeller var verktøyene tilgjengelige, men lokale lag manglet riktig kunnskap for å bruke dem effektivt.

Det er et tydelig behov for bedre kommunikasjonsverktøy. Advarsler må være klare, konsise og enkle å reagere på. Japan bruker korte flom-meldinger som inkluderer evakuerings-instruksjoner. Disse advarslene hjelper med å redusere respons-tiden. Et lignende system kan være nyttig i Texas.

Det er også essensielt å presentere AI-prognoser gjennom kjente plattformer. For eksempel kan visning av flom-advarsler på Google Maps hjelpe flere mennesker med å forstå risikoen. Dette kan støtte raskere og sikrere beslutninger i nødsituasjoner.

Klima-ekstremene bryter gamle modeller

Regnet i 2025 brøt mange rekorder. De fleste AI-systemer forventet ikke så intens vær. Dette skjedde fordi modellene var trent på tidligere data. Men tidligere mønster stemmer ikke lenger overens med dagens klima.

For å forbli nyttige må AI oppdateres oftere. Trening bør inkludere nye klima-scenarier og sjeldne hendelser. Globale datasett, som de fra IPCC, kan hjelpe. Modellene bør også testes på ekstreme tilfeller for å verifisere deres evne til å håndtere fremtidige sjokk.

Samarbeid er fortsatt en utfordring

Mange organisasjoner hadde nyttige verktøy under krisen. Men de samarbeidet ikke effektivt. Viktig data ble ikke delt i tide. For eksempel samlet WindBorne inn høy-høyde-ballong-data som kunne forbedre flom-prognoser. Men denne informasjonen ble forsinket på grunn av tekniske problemer og juridiske begrensninger.

Disse gapene begrenset de fullstendige fordelene av avanserte systemer. Offentlige og private organisasjoner brukte ofte separate modeller. Det var ingen sanntids-tilkobling mellom dem. Dette gjorde det vanskeligere å bygge en klar og fullstendig bilde av situasjonen.

For å forbedre dette, trenger vi felles data-standarder. Systemer bør kunne dele informasjon raskt og trygt. Sanntids-koordinasjon mellom ulike modeller er også essensiell. I tillegg kan innsamling av tilbakemeldinger fra lokale samfunn hjelpe med å gjøre systemene mer nøyaktige og effektive.

Teknologien utvikler seg, men trenger støtte

Nye teknologier kan forbedre flom-håndtering. Men de trenger riktig infrastruktur og politisk støtte. En løftende metode er fysikk-informert AI. Dette kombinerer vitenskapelig kunnskap med maskin-læring for å forbedre flom-prognose. Forskningsgrupper, som de ved MIT, har testet denne tilnærmingen for å gjøre prognoser mer nøyaktige og realistiske. Men detaljerte resultater er ennå ikke offentlig tilgjengelige.

Andre verktøy, som droner og edge-enheter, hjelper også. De kan samle inn data i sanntid, selv i områder hvor bakke-systemer er skadet eller mangler. I Nederland viser enkle offentlige dashboards flom-risiko ved hjelp av klare visualiseringer. Dette hjelper mennesker med å forstå situasjonen og iverksette tiltak raskt.

Disse eksemplene demonstrerer at avanserte verktøy også må være brukervennlige. De bør kobles til offentlige systemer så både eksperter og samfunn kan dra nytte av

Bunnlinjen

Flom-prognose er ikke lenger bare om værkart og advarsler. Det involverer nå AI-systemer, satellitt-data, lokale rapporter og raske kommunikasjons-verktøy. Men den virkelige utfordringen er ikke bare å bygge smartere verktøy, men å sikre at de brukes effektivt av mennesker på bakken.

Texas-flomene i 2024 demonstrerte hvordan forsinkelser, dårlig koordinasjon og uklare advarsler kan negere fordelene av avansert teknologi. For å forbedre, trenger vi klare politikker, felles systemer og verktøy som lokale lag kan forstå og iverksette raskt.

Land som Japan og Nederland viser at det er mulig å kombinere intelligent prognose med lett offentlig tilgang. AI bør ikke bare forutsi flom, men også hjelpe med å forebygge skader og redde liv. Fremtiden for flom-håndtering avhenger av å kombinere innovasjon med handling, teknologi med tillit og intelligens med lokal beredskap. Denne balansen vil definere hvordan vi tilpasser oss økende klima-risiko.