Predecir para mitigar (Beauchef Magazine)

564
En un país donde cada año más de 3.500 personas fallecen por causa de enfermedades cardiopulmonares provocadas por contaminación ambiental, mejorar la precisión en los pronósticos de calidad del aire es una tarea fundamental. En este escenario, dos iniciativas de investigadores de la FCFM proponen nuevos aportes en este ámbito.

Por: Daniela Cid Mayorga

Para nadie es un misterio que la contaminación atmosférica es uno de los mayores problemas que enfrenta el planeta. No solo porque sus altas concentraciones de gases y aerosoles producen enfermedades respiratorias, sino además porque dañan la capa de ozono, contribuyen al cambio climático y también a la formación de lluvia ácida.

Según cifras del Ministerio del Medio Ambiente, en Chile fallecen anualmente más de 3.500 personas por enfermedades cardiopulmonares generadas por la exposición a altas concentraciones de contaminantes. Aunque la cifra podría ser considerada como excesiva, resulta de toda lógica si se toma en cuenta que, según el recientemente publicado Inventario Nacional de la Calidad del Aire, Chile genera un promedio anual de más de 190 mil kilotoneladas de material particulado grueso (PM10) y 173 kilotoneladas de material particulado fino (PM2,5).

Ante tal nivel de polución, realizar pronósticos acertados sobre calidad del aire parece una medida indispensable para ayudar a mitigar daños. Si bien en la actualidad el Ministerio del Medio Ambiente es la institución encargada de entregar predicciones de contaminación atmosférica con información proveniente de 219 estaciones de monitoreo, la precisión de este pronóstico depende, entre otros factores, del funcionamiento adecuado y la capacidad de cobertura territorial para detectar concentraciones de materiales como ozono, dióxido de azufre, óxidos de nitrógeno, hidrocarburos, metano, plomo y monóxido de carbono.

“En Santiago contamos con 11 estaciones en línea que monitorean cuál es la calidad del aire que respiramos. Sin embargo, en otras ciudades de Chile esa red es bastante menos extensa. Además, como las decisiones se toman sobre la base de lo que ocurre en las estaciones, si alguien se encuentra a más de cinco kilómetros de cualquiera de ellas, no sabrá cuál es la calidad del aire que respira”, dice Nicolás Huneeus, académico del Departamento de Geofísica (DGF) de la Facultad de Ciencias Físicas y Matemáticas (FCFM) de la Universidad de Chile e investigador del Centro de Ciencia del Clima y la Resiliencia (CR)2.

Estaciones de monitoreo. Imagen: Sistema de Información Nacional de Calidad del Aire.

En este escenario, una serie de iniciativas provenientes de la industria y la academia han surgido como una manera de complementar el trabajo de las instituciones públicas para predecir la calidad del aire. Entre ellas se encuentran dos propuestas de investigadores/as de la FCFM y del (CR)2. La primera, en fase de elaboración, busca predecir la calidad del aire con una metodología determinística. La segunda es un modelo desarrollado con inteligencia artificial con prometedores niveles de precisión.

La primera propuesta forma parte de un conjunto de productos y servicios para la plataforma Air Quality Watch (AQ-Watch), cuyo fin es pronosticar niveles de contaminación en el aire, conocer las fuentes de emisión responsables de esta y determinar qué efectos tienen distintas medidas de mitigación en mejorar la calidad del aire, explica Hunneus.

El investigador afirma que el sistema de pronóstico para AQ-Watch se ha estado construyendo sobre la base de un modelo determinístico que funciona en modo predictivo y se está probando en el estado de Colorado, Estados Unidos; la ciudad china de Beijing; y el norte y centro de Chile. “Lo que hacemos no es reconstruir relaciones establecidas en el pasado con información sobre observaciones recientes, sino simular con modelos numéricos el destino de los contaminantes una vez que son emitidos por medio de ecuaciones de conservación de masa, energía y las reacciones químicas”, plantea.

El propósito es entregar una predicción de la calidad del aire en todo un espacio como una ciudad, sin depender de la información emitida por las estaciones de monitoreo de la calidad del aire. “Esto permitiría tomar decisiones más informadas como, por ejemplo, cambiar la ruta de un viaje en bicicleta para usar un camino donde la calidad del aire sea un poco mejor”, agrega el investigador.

Modelos complementarios

Preprocesamiento de datos de estaciones de monitoreo para entrenar redes neuronales artificiales y predecir niveles de contaminación atmosférica (Imagen: Camilo Menares).

Sobre este punto, los investigadores del equipo de Datos y Cómputos del (CR)2, Camilo Menares y Francisco Gómez, concuerdan en que no pronosticar correctamente el nivel de contaminación atmosférica podría significar, por ejemplo, que las niñas y niños hagan educación física en un día en que ni siquiera se recomienda que salgan de sus casas. Por ello, subrayan la importancia de contar con pronósticos de calidad del aire certeros, como los que se pueden obtener con la aplicación de inteligencia artificial en la que trabajan, especialmente, por medio de códigos de aprendizaje profundo, que permiten a las máquinas imitar el cerebro humano.

“Se trata de redes neuronales artificiales que pueden ser entrenadas con datos meteorológicos y de contaminación atmosférica hasta lograr ser capaces de hacer una predicción”, explica Menares.

Francisco Gómez añade que para predecir el nivel de materiales contaminantes del aire, es recomendable trabajar con metodologías como grafos neuronales y algoritmos LSTM (long short-term memory). La primera apunta a introducir datos en diferentes nodos o grafos que representan estaciones meteorológicas que pueden comunicarse entre sí para predecir determinados niveles de contaminantes. La segunda se concentra en interconectar datos de manera secuencial. “Esto último es muy importante en meteorología, climatología y contaminación del aire, porque lo que pasó hace tres o cuatro días atrás puede ser relevante en lo que ocurra pasado mañana”, especifica el investigador.

Dos ejemplos de aplicación de aprendizaje profundo en el pronóstico de calidad del aire se encuentran en los trabajos, Forecasting of hourly PM2. 5 in south-west zone in Santiago de Chile y PM2. 5 forecasting in Coyhaique, the most polluted city in the Americas, de los que Camilo Menares es coautor junto a los y las investigadoras Zoë Fleming, Patricio Pérez, Santiago Parraguez y Camilo Ramírez.

Menares comenta que ambos estudios demuestran que una red neuronal es capaz de pronosticar días contaminados con alrededor de un 80% de precisión. “Esto quiere decir que los días que se podrían predecir como contaminados aumentarían en un 20% en comparación con pronósticos realizados con metodologías numéricas o estadísticas”, apunta.

No obstante, aclara que el nivel de exactitud obtenido no significa que la inteligencia artificial vaya a reemplazar a los modelos de predicción tradicionales, porque se pueden complementar. “En general, tener mucha información con respecto a este tipo de eventos es bueno, porque basta con que un modelo pronostique malas condiciones para que las instituciones tomen la decisión de resguardar a las personas”, indica.

Nicolás Huneeus concuerda: “Es bueno reconocer que todo pronóstico tiene errores. Puede ser que tengan algún proceso no bien representado o que la resolución del modelo sea muy gruesa para lo fino del problema. Ahora, si los sistemas de predicción fallan, hay métodos para corregir esos sesgos”.

Con respecto a la posibilidad de transformar los modelos desarrollados en potenciales nuevos servicios de pronóstico de la calidad del aire, tanto Nicolás Huneeus como Camilo Menares reconocen la existencia de planes en esta línea. “Por el momento estamos probando este modelo en la Región Metropolitana y Valparaíso, pero la idea es extenderlo al resto del país. La ventaja de modelos como este es que, una vez implementados, también se pueden usar en otras aplicaciones como la industria solar, a través de la estimación de la cantidad de radiación solar que se pierde en las plantas por causa de la contaminación y el polvo del desierto”, agrega Huneeus.

Camilo Menares sostiene que pretenden implementar este modelo lo antes posible, pues beneficiaría directamente a ciudades con grandes niveles de contaminación como Coyhaique. “Como en este momento dependemos de las normativas vigentes y de la voluntad de las instituciones, por ahora nos hemos centrado en optimizar los procesos que nos permitan aplicar mejor los modelos desarrollados”, concluye. | Leer en Beauchef Magazine.