De status van AI in stedelijke klimaatoplossingen: Een systematische expeditie

Onderzoekers hebben onlangs een uitgebreid overzicht gepubliceerd waarin ze 2.300 wetenschappelijke artikelen(gepubliceerd tussen 1994 en 2024) in kaart hebben gebracht met betrekking tot het gebruik van machine learning (ML)in stedelijke klimaatmitigatie (UCCM — Urban Climate Change Mitigation). Hun doel: schetsen welke toepassingen reeds onderzocht zijn, welke lacunes er bestaan, en hoe ML steden kan helpen om klimaatdoelen te halen.

A systematic map of machine learning for urban climate change mitigation - Nature Cities Many cities are interested in leveraging artificial intelligence and machine learning (ML) to help urban climate change mitigation (UCCM). Researchers and practitioners, however, are only beginning to understand how ML can contribute to achieving climate targets in cities.

Focus op klassieke toepassingen, weinig verrassingen

De studie maakt duidelijk dat, ondanks de snelle groei van ML-toepassingen in heel wat sectoren, generatieve AI en grote taalmodellen (LLM’s) bijna niet voorkomen in onderzoek rond stedelijke klimaatmitigatie. In plaats daarvan concentreert het merendeel van de onderzoeken zich op “klassieke” mitigatiestrategieën zoals energie-efficiëntie van gebouwen, luchtkwaliteit, transportoptimalisatie en vergroening — thema’s die al lange tijd prominent zijn in rapporten van het Intergovernmental Panel on Climate Change (IPCC).

Een breed palet aan toepassingsdomeinen

De auteurs identificeerden in totaal veertig toepassingsgebieden voor ML binnen stedelijke klimaatmitigatie. Toch blijkt dat de meeste aandacht uitgaat naar de gebieden met de hoogste verwachte impact — vaak gedreven door beschikbaarheid van data of commerciële kansen. Deze focus kan helaas de ongelijkheden tussen regio’s versterken: onderzoekers in goed bedeelde regio’s hebben betere data en middelen, waardoor zij de overhand krijgen in welke onderwerpen onderzocht worden.

Geografie, capaciteit en een risico op scheeftrekking

De studie toont ook dat onderzoeksinspanningen ongelijk verspreid zijn over de wereld: regio’s met sterke datainfrastructuur en onderzoeksbudgetten domineren de literatuur. Dit kan ertoe leiden dat minder bedeelde steden — vaak juist de steden die het meest kwetsbaar zijn voor klimaatverandering — achterblijven qua toepasbaarheid van nieuwe ML-oplossingen. Bovendien waarschuwen de auteurs dat commerciële belangen kunnen leiden tot voorkeur voor “gemakkelijke” of datarijke mitigatieopties, ten koste van potentieel effectievere maar complexere maatregelen.

Aanbevelingen voor de toekomst

Om ML effectiever en rechtvaardiger in te zetten binnen stedelijke klimaatmitigatie, doen de auteurs enkele suggesties:

• Verbreed de onderzoeksfocus zodat ook onderbelichte domeinen aandacht krijgen, niet alleen die met reeds rijke data.
• Versterk data-infrastructuur en capaciteiten in minder bedeelde steden, zodat meer regio’s kunnen deelnemen aan ML-gebaseerde oplossingen.
• Stimuleer samenwerking tussen steden, onderzoekers, technische ontwikkelaars en beleidsmakers om kennis en middelen te delen.
• Evalueer de energie- en klimaatvoetafdruk van ML-modellen zelf, zodat de milieukosten van rekenintensieve AI worden meegenomen bij besluitvorming.

Conclusie

De studie biedt een waardevol moment van reflectie: hoewel machine learning al iconisch is in veel domeinen, is de toepassing ervan in stedelijke klimaatmitigatie nog relatief jong en ongelijk ontwikkeld. Als stad planners, onderzoekers en beleidsmakers — die zich bewust zijn van de valkuilen — bewust keuzes maken, kan ML een krachtige bondgenoot worden in de strijd tegen klimaatverandering in stedelijke omgevingen.