Forbedring av beslutningsstøttesystemer for katastrofekriser: utnyttelse av nye teknologier for bedre sivil beredskap og krisehåndtering

Forventet resultat

Prosjektresultatene forventes å bidra til noen eller alle av følgende forventede resultater: Utvikling av beslutningsstøttesystemer for krisesituasjoner ved katastrofer, som benytter nær sanntidsdata fra bakken for å forbedre situasjonsforståelse og respons; Opprettelse av systemer designet for å styrke sivil beredskap, som forbedrer operasjonell effektivitet og responstider, og sikrer rettidig og effektiv håndtering av ulike katastrofesituasjoner, inkludert fra tidlig varsling til tidlig innsats; Integrasjon av avanserte dataanalyse- og beslutningsverktøy for å støtte myndigheter og førsteinnsats i katastrofesituasjoner.

Omfang

Dette temaet fokuserer på å forbedre eksisterende beslutningsstøttesystemer for krisesituasjoner ved katastrofer gjennom integrering av nye teknologier for å styrke sivil beredskap og krisehåndtering. Målet er å videreutvikle kapasitetene til eksisterende systemer, gjøre dem mer pålitelige, tilpasningsdyktige og effektive ved å innlemme pålitelige AI-teknologier som sikrer åpenhet, ansvarlighet og etiske beslutningsprosesser. Prosjektene bør ha som mål å muliggjøre raskere og mer informerte responser under katastrofesituasjoner. Forslag bør fokusere på å skape avanserte systemer designet for å styrke sivil beredskap, og hjelpe myndigheter og innsatsstyrker med å håndtere ulike katastrofesituasjoner på en rettidig og effektiv måte. Disse systemene bør utnytte banebrytende AI-drevne verktøy for å behandle store datamengder, og gi handlingsrettede innsikter som forbedrer beslutningstaking i kritiske øyeblikk, slik som fra tidlig varsling til tidlig innsats. Det bør legges vekt på integrering av avansert dataanalyse og prediktiv modellering for å forutse katastrofeutviklinger og styre tiltak, samtidig som systemene er transparente, forklarbare og bygget på prinsipper om pålitelighet, inkluderende og kjønnsbevisst og etisk AI-bruk samt sikre AI-implementeringer. Prosjektene bør gjennomføre en interessentanalyse eller markedsanalyse og lage en veikart eller plan for implementering av de utviklede metodene, funnene og teknologiene til industrien, forsknings- og innovasjonsmiljøet og/eller relevante myndigheter. I tillegg bør testsentre spille en nøkkelrolle i denne forskningen ved å øke sin kapasitet til å prøve ut og validere nye teknologier, og støtte mer effektive kapasiteter for sivil beredskap og kriserespons. Det forventede resultatet er å skape systemer som ikke bare forbedrer operasjonell effektivitet og responstider, men også fremmer bedre samarbeid mellom interessenter, inkludert lokale myndigheter, nødetater og andre relevante aktører. Dette inkluderer integrering av droner med statlige nødetater, smarte trafikksystemer og politi for å forbedre datadrevet katastrofeberedskap og nødsrespons, og sikre effektiv koordinering og raskere beslutningstaking for lokale myndigheter. Prosjektene bør også bidra til å forbedre brukervennlighet og tilgjengelighet av beslutningsstøttesystemer for ulike brukere, og sikre at de enkelt kan integreres i katastrofehåndteringsrammer og brukes effektivt i ulike krisesituasjoner. Løsningene bør være i tråd med EUs retningslinjer for AI-etikk og resiliensbygging, og sikre at de utfyller eksisterende initiativer for sivilbeskyttelse og krisehåndtering samtidig som de driver innovasjon innen katastroferisikoreduksjon. Strategien for Preparedness Union er et sentralt dokument i denne sammenhengen. Det anbefales å analysere kapasitetsgapene i UCPM og finne synergier med prosjekter fra operative tilskudd, som Knowledge for Action in Prevention & Preparedness (KAPP).

Hva dette betyr for byer og regioner

Myndigheter for sivilbeskyttelse og krisehåndtering på lokalt, regionalt og nasjonalt nivå som sluttbrukere. Temaets budsjett er €9 millioner; 3 tilskudd forventes; omtrent €3 millioner per prosjekt. Åpner 5. mai 2027; stenger 4. november 2027. Nær sanntids situasjonsforståelse er der Copernicus nødkartlegging og satellittbilder er sterkest; temaet etterspør nettopp denne typen dataintegrasjon.