FN:s globala mål består av 17 mål som utgör en plan för att möta några av samhällets största utmaningar. Målen i sig är abstrakta, på hög nivå och universella och därför krävs översättning till olika sammanhang och på olika skalor. På samma sätt översätter modellerare komplexa system på olika skalor till förenklade versioner av verkligheten.

Syftet med workshopen var att diskutera modelleringens roll för att stödja hållbar utveckling. Den 3 mars 2022 möttes presentatörer och deltagare online för att dela erfarenheter och lära av varandra, över olika discipliner, tillämpningar och tillvägagångssätt för modellering för hållbarhet; till exempel global klimatmodellering, integrerad bedömningsmodellering, migrationsmodellering och livscykelanalys.

Workshopen är en del i en serie workshops som arrangeras av de strategiska forskningsområdena (SFO:erna) och Hållbarhetsforum vid Lunds universitet, som syftar till att skapa en plats för att dela erfarenheter, diskutera samarbete och främja djupare reflektion kring hållbarhet.

Läs mer om de strategiska forskningsområdena vid Lunds universitet - lu.se 

Global klimatmodellering

Global klimatmodellering hjälper till att förstå omfattningen och intensiteten av klimatpåverkan över tid och rum. Klimatsystemet inkluderar atmosfären, hydrosfären (t.ex. hav), kryosfären (t.ex. snö, is), litosfären (t.ex. landytan), biosfären (t.ex. växter, djur) och interaktionerna mellan dem. Att modellera ett så komplext system kräver stora mängder data, väldigt exakta matematiska ekvationer och enorm datorkraft. Under workshopen gav Erik Kjellström, professor i klimatologi vid SMHI, en snabbkurs. Kjellström föreslår att global klimatmodellering delar upp jordens atmosfär, hav och landyta i ett sammankopplat lapptäcke av kuber. Inom varje kub beskriver matematiska ekvationer vår förståelse av dynamiken inom och mellan dessa "sfärer", för att kunna säga något om vårt tidigare, nuvarande eller framtida klimat.

Integrerad bedömningsmodellering

Integrerad bedömningsmodellering ämnar kombinera olika modeller som beskriver sociala, ekonomiska och miljömässiga system. Francesco Gardumi, forskare vid KTH Climate Action Centre, presenterade modellen för klimat, markanvändning, energi och vattensystem (Climate, Land-Use, Energy, Water Systems – CLEW). Denna integrerade modell bedömer kopplingarna mellan primära resurser, energisystem, omvandlingsprocesser och leverans av slutgiltiga tjänster för att förstå hur produktion och användning av mat, energi och vatten påverkar klimatförändringarna och vice versa.

Även om det finns stor potential att beskriva ett bredare system med hjälp av integrerad bedömningsmodellering, finns det utmaningar i vad Gardumi kallade "cirkelns kvadratur". Integrerad bedömningsmodellering innebär en kombination av datainmatning och modelleringsmetoder, med olika tids- och rumslig upplösning, samt antaganden som ligger till grund för varje modell. Det är betydande att våra sociala, ekonomiska och tekniska system påverkar dessa data på olika sätt, med varierande eller ofullständig kunskap om de involverade mekanismerna. Därför kräver integrerad bedömningsmodellering enorma ansträngningar för att kombinera data med olika upplösning och för att förena antaganden mellan olika modeller.

Migrationsmodellering

Att underlätta en ordnad, säker, reglerad och ansvarsfull migration och rörlighet för personer är en av målsättningarna för Mål 10 – Minskad ojämlikhet. Migration har också tydliga synergier med andra mål, till exempel Ingen fattigdom (Mål 1), Hållbara städer och samhällen (Mål 11), samt Fredliga och inkluderande samhällen (Mål 16). Lina Eklund, forskare vid Institutionen för naturgeografi och ekosystemvetenskap, menar att migrationsmodeller kan förutspå förändringar i lokalbefolkning samt förutsäga framtida migrationsflöden kopplade till klimatförändringar. Eklund menar att mänsklig migration har generaliserbara effekter på den fysiska miljön, som kan mätas och modelleras för att bedöma migrationsmönster baserat på miljöindikatorer. Till exempel kan satellitdata spåra övergiven mark, skogsföryngring eller minskade ljusföroreningar för att kvantifiera antalet människor som lämnar en region, samt nybyggnation, markanvändningsförändringar och ökade ljusföroreningar för att kvantifiera antalet människor som anländer till en region.

Livscykelanalys

Livscykelanalys (LCA) är en modelleringsmetod för att bedöma miljöpåverkan av produkter eller tjänster som erbjuds inom ekonomi över hela produktens livscykel, till exempel utvinning av råvaror, tillverkning, transport, användning och slutlig hantering. Syftet är att identifiera möjligheter att förbättra miljöprestanda, informera beslutsfattare och kommunicera effekter mellan industri och medborgare. En serie internationella standarder (ISO 14040, 14044) dikterar de metoder som används för att säkerställa likriktning och standardisering. Nelly Garcia Gonzalez, forskare vid institutionen för miljö- och energisystem, presenterade processen som används för att genomföra en LCA. Gonzalez betonade vikten av att definiera systemgränser, samla in primära och sekundära data, samt tolka resultat.

Datakvalitet, osäkerhet och kommunikation

Inom de olika metoderna för modellering finns det gemensamma erfarenheter, begränsningar och utmaningar, vilka diskuterades bland workshopdeltagarna. Datatillgänglighet och datakvalitet är långvariga utmaningar för modellerare, där ofullständiga eller felaktiga data som används som indata i en modell producerar nonsensutdata, ett koncept som kallas garbage in, garbage out (GIGO). Därför innehåller kvalitetsdata ofta metadata, som beskriver vem, vad, när, var, varför och hur data genererades. Naturligtvis måste data först vara tillgänglig, relevant för systemet som modelleras och med en upplösning som möjliggör meningsfull analys.

Komplexitet och osäkerhet tas alltmer upp av modellerare. Till exempel har de system som forskare vill modellera många inbördes relaterade komponenter, med återkopplingsbanor (feedback loops) och återverkningseffekter (rebound effects). Som sådan, är fallet ofta att modelleringsverktyg kopplas, där utdata från en modell används som indata till en annan. Kopplad modellering leder till ett mer komplext modelleringssystem, men med större osäkerhet och potentiellt oväntade resultat. Därför krävs större ansträngning och skicklighet för att tolka modelleringsresultat, för att ge meningsfulla rekommendationer och undvika negativa återstudsningseffekter.

Slutligen lyfte deltagarna flera gånger fram ansvaret och behovet för modellerare att kommunicera – kommunicera metadata, kommunicera antaganden, kommunicera osäkerhet. Tre specifika förslag relaterade till kommunikation gavs för att förbättra modellernas förmåga att stödja hållbar utveckling.

1. Dialog för att stödja integrerad bedömningsmodellering – Deltagarna är överens om att det behövs bättre kommunikation mellan modellerare och ägare av data för att övervinna några av begränsningarna som är förknippade med denna modelleringsmetod.
2. Involvera användare av modellresultat – Det finns potential att involvera användaren av modellresultat genom hela processen av datainsamling, modellering och tolkning. Deltagarna föreslår att detta säkerställer att målet och omfattningen av modellen möter användarens behov, samt stödjer deras förmåga att tolka resultaten.
3. Inkludera modelleringsläroplanen i högre utbildning – Med ökande användning av och tillämpningar för modeller föreslogs det att modellering bör integreras mer i läroplanen för att stödja studenters förmåga att förstå och tolka modelleringsdata och -resultat.

Modellering har en tydlig roll för att stödja hållbar utveckling, med olika modelleringsmetoder och tillämpningar. Det viktigaste är att workshopen belyser möjligheter för framtidsorienterade metoder, forskningsförslag och samarbete.

Denna workshop var ett initiativ av de strategiska forskningsområden och Hållbarhetsforum vid Lunds universitet, samarrangerat av MERGE, SPI och MECW.

MERGE - merge.lu.se
SPI - lth.se
MECW - cmes.lu.se (på engelska)