¿Cómo la Inteligencia Artificial puede ayudar a la prevención de catástrofes naturales?

Big data, Machine Learning, medioambiente

Por Patricio Ulloa
Data Scientist en Notus

¿Has notado que cada vez parecen más catastróficos los incendios forestales? ¿Será solamente que estamos más informados al respecto? Pues no: La data histórica nos muestra una tendencia global de mayores áreas afectadas por incendios forestales en tiempos recientes.

La pérdida de cobertura de árboles en el terreno provocada por incendios comparado con otros tipos de causas de pérdida de cobertura. En este gráfico se puede apreciar una tendencia al alza del impacto de incendios forestales. Por otro lado, las otras causas de pérdida de cobertura también mantienen un alza, por ejemplo, la agricultura, la tala, el viento, los ríos, etc [1].

Aunque gran parte son ocasionados por la acción humana, esta no es la única causa y este tipo de eventos seguirán existiendo. Más aún, las olas de calor y la sequía son factores clave en su propagación que se hacen cada vez más frecuentes en distintas partes del mundo. Entonces ¿Cómo hacemos para prepararnos frente a ésta y otras catástrofes en un ambiente que está cambiando y orientándose hacia los avances de la inteligencia artificial?

La data como aliado

La ciencia de datos está ganando fuerza como una herramienta en la prevención y el combate contra incendios en distintas formas. Conocer el medio ambiente, evaluar posibles riesgos y monitorear la vegetación en tiempo real son grandes desafíos que se están abordando. Esto mediante un esfuerzo conjunto de la electrónica, las tecnologías de la información y el modelamiento matemático.

Si hablamos de prevención, nuestro ideal siempre será que estos eventos ocurran lo menos posible. Si podemos ayudar a evitar el daño ambiental y humano que pueden causar ¿por qué no hacerlo? Bueno, pues como no tenemos recursos ilimitados, la realidad es que tenemos que aprender cómo distribuir bien la poca capacidad que tenemos para tomar medidas preventivas y de combate.

En este sentido, es importante que sepamos identificar dónde debemos mirar para saber dónde enfocarnos. Esa es justamente una de las líneas de investigación actuales: Cuantificar y/o clasificar la susceptibilidad de una zona a incendiarse. Un ejemplo de ello es el avance presentado a principios de este año es el de científicos de la NJFU en China [2]. Ellos utilizaron redes neuronales recurrentes (RNN) para clasificar el riesgo de distintos lugares en una región de ese país, cruzando datos de sensores remotos y registros históricos meteorológicos de la zona.

Mapa de predicción de riesgo de incendios forestales en el distrito Chongli, China.
Esta comparación de modelos muestra que todos ellos identifican bastante bien las zonas de alto riesgo, pero otros tienden a sobreestimar el peligro en las partes menos riesgosas [2].

Entonces…

Aunque es novedoso este uso de RNN, el uso de sensores remotos para adelantarse a la ocurrencia de incendios no es algo nuevo. Para poder inferir la distribución de la vegetación en una zona se utilizan los llamados Fuel type models o modelos de tipo de combustible, y para poder distribuir estos tipos de combustible en el espacio nos ayuda mucho la visión por computador. Este tipo de modelos utiliza imágenes satelitales, lidar o radar para segmentar una imágen de una zona en los distintos tipos de vegetación posible.

A la hora de combatir un incendio forestal es de mucha ayuda conocer la composición de la vegetación local. No solo por la experiencia en terreno, sino porque los modelos que simulan el avance de incendios suelen basarse en esta información: Proporciones de vegetación con distintas resistencias al fuego, más variables meteorológicas y topográficas. Estas simulaciones interactivas, de tipo caja de arena, permiten generar expectativas del avance del fuego. Los servicios de emergencia pueden utilizar estas simulaciones para plantear estrategias de manejo del incendio.

En qué ayuda la visión por computador

Además, la visión por computador también nos ayuda de forma más directa en la detección de incendios. Sumado a los tipos de imágenes ya mencionados, se utilizan a veces imágenes térmicas con cámaras montadas en drones o torres de vigilancia y sensores in situ. Los drones, por ejemplo, permiten tener un ojo en el cielo dentro de un rango más limitado, pero sin poner a riesgo a personal en un helicóptero o avión sobrevolando incendios y con mayor maniobrabilidad. Además de permitir registrar en video o fotos el avance del fuego, algunos utilizan reconocimiento de imágenes para detectar columnas de humo o temperaturas anómalas. Pero el uso de Inteligencia Artificial no se limita a los drones. En un caso de uso en EEUU [4] se utilizan imágenes satelitales y cámaras especializadas para localizar incendios en etapas tempranas y dar aviso automático a cuerpos de bomberos.

Modelar el clima no solo ayuda a la prevención de incendios

Otra aplicación donde la Inteligencia Artificial, también de relevancia para el manejo de incendios, es la predicción del tiempo. En este caso, más que importar una pregunta de alto nivel como si llueve o no el dieciocho, interesa saber direcciones y magnitudes de viento para estimar o modelar la propagación del fuego ante un incendio activo y adelantarse a periodos extensos de sequía extensos en cuanto a la prevención de estos eventos. Afortunadamente, en los últimos años ha habido un boom de IA, tanto en las predicciones de muy corto plazo, llamado nowcasting, como en las de períodos más extensos. Este boom tiene varias causas, pero una de ellas es la reciente incorporación de Inteligencia Artificial Generativa. Un caso bien emblemático de este uso es el modelo generativo de lluvias DGMR de DeepMind [5].

Pese a este incremento, aún existen reparos importantes respecto al uso de inteligencia artificial en predecir el tiempo. Por su naturaleza los modelos basados en datos aprenden a generalizar en base a ejemplos, en este caso debiese incluir al menos un historial de mediciones meteorológicas. Ahí surge una pregunta: Teniendo poca historia de eventos de escalas vistas recientemente como consecuencia de la crisis climática ¿Cómo podemos obtener una buena predicción?

La respuesta utilizando solo Inteligencia Artificial no es clara. Pero, si hay expectativa de que este tipo de modelos servirían más como un complemento a los modelos más clásicos. Quizás deberíamos pensar más en cómo combinamos ambos paradigmas en ensambles que rescaten lo mejor de cada uno, en vez de reemplazar el uno por el otro.

Nuestros avances en Inteligencia Artificial medioambiental

Sea cual sea el camino, los incendios forestales son un claro ejemplo de cómo nos benefician los avances en la IA para el manejo y prevención de catástrofes. Aumentar la capacidad y velocidad de monitoreo y mejorar la predicción de la data que logramos obtener nos permiten lograr una respuesta acorde a la situación más ágilmente. Esta preparación y respuesta rápida, a su vez, nos ayudan a minimizar el impacto medioambiental y humano de este tipo de catástrofes.

Esto es un buen ejemplo de cómo un buen acercamiento a la resolución de problemas no se casa con un método, sino busca el óptimo seleccionando la mejor herramienta o combinándolas. En Notus tenemos experiencia ayudando a empresas de la industria a minimizar el impacto medioambiental y humano de sus procesos. Esto optimizando sus recursos a través de la utilización de distintas herramientas de la analítica avanzada, por ejemplo, tecnologías cloud, machine learning y ciencia de datos. Con ello, hemos realizado proyectos que optimizan el uso de energía en procesos industriales y hemos minimizado el impacto ambiental de flotas en el área logística. Si estás interesado en optimizar tus procesos y ayudar a disminuir el impacto ambiental de tu empresa, en Notus, podemos ayudarte a resolver tus problemas de forma inteligente y sustentable. Conversemos.