Ir al contenido principal

Esta organización sin fines de lucro protege a las comunidades vulnerables de los efectos del cambio climático con IA

Con la subvención de AI for Humanitarian Action de Microsoft, SEEDS utiliza la IA para salvar vidas durante los desastres

“Huimos al bosque cercano y nos aferramos a los árboles que se balanceaban por nuestras vidas. Oramos para que pasara la tormenta, pero perdimos todo lo que teníamos”, dice Kalpreddy Satyavati, que dirige un pequeño puesto de comida que atiende a la comunidad pesquera local en la ciudad costera de Puri.

Ella fue una de las afortunadas que sobrevivieron a un “súper ciclón” que azotó el estado de Odisha en la costa este de la India en 1999. Vientos de hasta 160 millas por hora (257 kilómetros por hora) mataron a miles y dejaron un rastro de destrucción. Los ciclones, conocidos en otros lugares como huracanes y tifones, son tormentas tropicales intensas que se originan en el Océano Índico.

Pero en mayo de 2021, cuando el ciclón Yaas estaba a punto de tocar tierra, las cosas fueron un poco diferentes.

Satyavati recibió un aviso personalizado impreso en su idioma un día antes de que el ciclón tocara tierra. La advertencia, que ella y otras mil familias recibieron, fue el resultado de un modelo de inteligencia artificial (IA) de SEEDS, una organización sin fines de lucro que había recibido de manera reciente una subvención de Microsoft AI for Humanitarian Action.

Siguieron las instrucciones de la hoja de papel y su familia empacó sus pertenencias para irse a un refugio de ciclones cercano, uno de los cientos creados después del super ciclón de 1999. Incluso logró trasladar el contenido de su puesto de comida a la casa de concreto de un vecino que podía soportar los vientos de alta velocidad.

una mujer joven lee un periódico a una mujer mayor
Una voluntaria explica el aviso de ciclón de SEEDS a Satyavati

Tal como sugirió el aviso, su cabaña rudimentaria fue destruida, pero pudo reanudar su puesto de comida de inmediato.

“Si no hubiéramos recibido la advertencia, nos habría sido imposible reconstruir nuestras vidas”, dice Satyavati, quien perdió a su esposo por COVID-19 en diciembre pasado.

Como ganador de la subvención AI for Humanitarian Action, SEEDS recibió apoyo financiero y técnico de Microsoft y su socio tecnológico Gramener para construir un modelo intuitivo que puede pronosticar el impacto de los desastres en las poblaciones más vulnerables.

“Por lo general, llegamos a conocer la trayectoria prevista de un ciclón unas 48 horas antes de que toque tierra. La recopilación manual de información sobre las casas que serían vulnerables es una tarea que requiere mucho tiempo y, en el mejor de los casos, podemos evaluar 100 casas en un día”, dice Raghav Ranganathan, director técnico de SEEDS. “Comenzamos conversaciones con Microsoft para ver si podíamos usar la inteligencia artificial para identificar estas casas y poder pasar más tiempo en el terreno para ayudar a las personas”.

SEEDS significa Sociedad de Desarrollo Ecológico y Medio Ambiente Sustentable. Fue fundada en 1994 y trabaja con comunidades vulnerables para brindar ayuda y rehabilitación después de desastres.

Microsoft lanzó AI for Humanitarian Action en 2018. Es un programa de subvenciones globales diseñado para ayudar a encontrar soluciones a los desafíos centrados en la respuesta a desastres, los refugiados, las personas desplazadas, los derechos humanos y las necesidades de las mujeres y los niños.

El modelo de IA, llamado Sunny Lives, utiliza imágenes satelitales de alta resolución de áreas que con probabilidad caerán bajo la trayectoria del ciclón. Luego aplica análisis de datos avanzados y aprendizaje automático para identificar las casas más vulnerables. Esto permite a SEEDS y a sus socios en el terreno identificar a aquellos que estarían en mayor riesgo por el ciclón y enfocar su alcance a esas comunidades.

Una anciana viste un sari rosa brillante en la playa con barcos de pesca en el fondo
El mar, si bien es una fuente de ingresos para Satyavati, también es una fuente de preocupación constante. En noviembre de 2020, perdió todas sus pertenencias en el ciclón Nivar. Su casa fue destruida, pero fue la pérdida de su puesto de comida lo que más la golpeó.

Según las Naciones Unidas, el nivel medio global del mar ha aumentado de manera más rápida desde 1900 que en cualquier siglo anterior en al menos los últimos 3 mil años. Un informe del Panel Intergubernamental sobre Cambio Climático (IPCC, por sus siglas en inglés), publicado en agosto de este año, declaró un “código rojo” para la humanidad. Encontró que las condiciones climáticas extremas como sequías, huracanes y olas de calor se han intensificado debido al cambio climático.

Satyavati no necesita ningún informe para convencerla del impacto del cambio climático en su comunidad.

“Cuando era niña, tenía que caminar casi una milla para llegar a la playa. Pero el mar ahora se ha acercado a nuestros hogares”, dice en su idioma nativo telugu.

Comparte su casa, una choza hecha de bambú y barro con hojas de palma en lugar de techo, con sus tres hijas. El mar, si bien es una fuente de ingresos para ella, también es una fuente de preocupación constante.

Hasta ahora, ha dependido de la buena suerte y de una sobreabundancia de precaución para proteger a su familia de las tormentas tropicales. A veces, sin embargo, la buena suerte no es suficiente. En noviembre de 2020, perdió todas sus pertenencias en el ciclón Nivar. Su casa fue destruida, pero fue la pérdida de su puesto de comida lo que más la golpeó.

“Perdimos todas nuestras mercancías por la tormenta y no teníamos otros medios de subsistencia. Durante días, dependimos de la buena voluntad de los demás para la alimentación y la supervivencia”, dice.

Cada techo cuenta una historia

Si bien los gobiernos estatales y locales emiten advertencias en caso de un ciclón inminente, contienen de manera primordial información genérica y cubren distritos enteros.

Un aviso en idioma odia que describe cómo los vientos ciclónicos impactan en diferentes tipos de estructuras de techo
Una página de un aviso de SEEDS para el ciclón Yaas en idioma odia que describe cómo los vientos ciclónicos impactan las casas con diferentes tipos de techo. Se distribuyeron avisos en los idiomas odia y telugu a las casas identificadas por el modelo de IA de Sunny Lives como vulnerables a los fuertes vientos antes de que el ciclón Yaas tocara tierra. (Foto: SEEDS)

SEEDS quería utilizar la inteligencia artificial para generar avisos a nivel de casa para las comunidades en riesgo, de modo que pudiera advertir a quienes tenían más que perder.

Para construir el modelo de IA, tenían que saber quiénes serían esas personas y cómo se verían afectadas. El equipo tuvo que encontrar algunos atributos que pudieran actuar como un indicador para que el modelo de IA pueda identificar hogares que serían vulnerables.

El equipo de SEEDS se centró de manera rápida en los tipos de techos.

“Los techos son un indicador para juzgar qué tan vulnerable es un edificio. Entonces, se convirtió en la primera capa para que construyamos este modelo”, dice Mridula Garg, arquitecta e investigadora urbana que trabaja en el proyecto.

“Más importante aún, los techos también dicen mucho sobre quién vive adentro y su condición socioeconómica”, agrega Ranganathan.

La lógica es simple: una casa con un techo de cemento reforzado no se vería tan afectada por una tormenta tropical, pero un techo de paja, como en el que vive Satyavati, no tendría ninguna posibilidad.

Si el modelo de IA puede identificar casas con techos que no pueden soportar la velocidad del viento ciclónico, el equipo en tierra puede dar prioridad esos hogares. Pero crear un modelo como este fue más fácil de decir que de hacer.

IA al rescate

“No teníamos otra instancia de IA que se usara para etiquetar tipos de techos para pronosticar daños debido a huracanes. Además, no había datos de capacitación que estuvieran disponibles de manera sencilla”, dice Tina Sederholm, gerente senior de programas en el laboratorio de investigación de AI for Good de Microsoft, quien dirigió el proyecto con científicos de datos.

“Desde un punto de vista técnico también fue difícil porque no hay planificación urbana en las áreas a las que nos dirigíamos, y la población era tan densa que era difícil diferenciar primero las casas individuales y categorizarlas con precisión según el tipo de techo. Pero creamos un modelo de aprendizaje automático para contrarrestar estos problemas”, explica Md Nasir, científico de datos e investigador en el laboratorio de investigación de AI for Good.

Para crear los datos de entrenamiento tan necesarios, Gramener, con su experiencia en soluciones geoespaciales, intervino para ofrecer una solución escalable. Sus científicos de datos accedieron a imágenes satelitales de alta resolución y etiquetaron de manera manual más de 50 mil casas para clasificar sus techos en siete categorías según el material utilizado para construirlos.

“Queríamos identificar la huella del edificio y distinguir entre dos casas de forma distinta. Pero los asentamientos informales no suelen tener límites bien definidos y, por lo general, son los más afectados por cualquier desastre”, dice Sumedh Ghatage, científico de datos de Gramener, que trabajó en la construcción del modelo de IA. “En segundo lugar, a medida que cambia la ubicación geográfica, también cambian los tipos de techos. Pero queríamos identificar todo tipo de techos para garantizar que el modelo final pudiera implementarse en cualquier región”.

Esto formó la base de los datos de entrenamiento que necesitaba Nasir. Después de probar algunas técnicas diferentes, su modelo final pudo identificar techos con una precisión de casi el 90%. Pero ese era sólo el inicio.

Una imagen que muestra cómo el modelo de IA identificó los tipos de techo
Después de probar algunas técnicas diferentes, el modelo de IA final pudo identificar los tipos de techos a partir de imágenes satelitales con una precisión de casi el 90%.

“Aparte de los techos, consideramos casi una docena de parámetros críticos que determinan el impacto general que los ciclones tendrían en una casa”, dice Kaustubh Jagtap de Gramener, quien dirigió los bits de consultoría de datos para el proyecto. “Por ejemplo, si una casa está más cerca de un cuerpo de agua, es más probable que se vea afectada debido a una inundación inducida por un ciclón. O si el área alrededor de la casa está cubierta por concreto, el agua no se filtrará en el suelo debajo y las probabilidades de que el agua se acumule e inunden serán más altas”.

Luego, el equipo de Gramener agregó otras capas al modelo. La alineación de todas las diferentes capas, incluidas las redes de carreteras, la proximidad a los cuerpos de agua, los perfiles de elevación, la vegetación, entre otros, fue una tarea tediosa. Gramener creó una canalización de aprendizaje automático de Azure, que captura los datos en automático y genera perfiles de puntuación de riesgo para cada casa.

El modelo Sunny Lives tardó unos cuatro meses en hacerse realidad y se puso a prueba durante los ciclones que azotaron los estados de Tamil Nadu y Kerala en el sur de la India en 2020. Pero fue durante el ciclón Yaas en mayo de este año cuando se implementó a gran escala.

Tan pronto como se predijo la trayectoria del ciclón Yaas, el equipo de Gramener obtuvo imágenes satelitales de alta resolución de áreas con una alta densidad de población que serían impactadas y ejecutó el modelo de IA de Sunny Lives. En unas pocas horas, pudieron crear un puntaje de riesgo para cada casa en el área.

Una imagen satelital de Puri con el perfil de riesgo de Cyclone Yaas para casas individuales generada por el modelo de IA de Sunny Lives.
Una imagen satelital de Puri con el perfil de riesgo de Cyclone Yaas para casas individuales generada por el modelo de IA de Sunny Lives.

Gramener también ayudó en las técnicas de muestreo y validó la precisión del modelo con información real del terreno.

“Antes, solíamos desplegar voluntarios que realizaban encuestas de manera manual. Ahora, todo lo que tenemos que hacer es adquirir imágenes de satélite de alta resolución, ejecutar el modelo para determinar la vulnerabilidad de un área y obtener los resultados de la puntuación de riesgo en un día. Este tipo de capacidad era impensable antes”, dice Garg.

Una vez que se identificaron las casas, SEEDS junto con sus socios en el terreno se desplegaron en las comunidades y distribuyeron avisos a casi mil familias en idiomas locales como telugu y odia, que hablan los residentes. Cada aviso tenía instrucciones detalladas sobre cómo podían asegurar sus hogares y dónde tendrían que trasladarse antes de que el ciclón tocara tierra.

El modelo ha abierto un mundo de posibilidades. SEEDS cree que se puede implementar en muchos países del sudeste asiático que comparten viviendas y comunidades similares que enfrentan niveles extremos de riesgo de tormentas.

También se puede utilizar para hacer frente a otros desafíos climáticos. Por ejemplo, SEEDS ha comenzado a usar el modelo para identificar hogares en áreas urbanas con una alta densidad de población que podrían ser susceptibles a las olas de calor a medida que las temperaturas alcanzan nuevos récords cada verano.

“Durante una ola de calor, el techo se convierte en el parámetro más importante porque la máxima cantidad de calor ganado en la casa pasa por el techo. Las casas con láminas de hojalata suelen tener poca ventilación y son las más vulnerables en este momento”, explica Garg.

También se han comenzado a probar otros proyectos. Por ejemplo, en uno buscan si la inteligencia artificial podría usarse para identificar casas vulnerables en el estado Himalaya de Uttarakhand, que es propenso a los terremotos.

“Trajimos nuestra experiencia en desastres a la mesa, pero la ciencia de datos de Microsoft hizo posible que pudiéramos desarrollar el modelo desde cero”, dice Ranganathan.

“El modelo de inteligencia artificial de Sunny Lives que los equipos de SEEDS y Gramener han creado es una solución humanitaria de vanguardia que ya ha comenzado a salvar vidas y ayudar a preservar los medios de vida de las personas con mayor riesgo de desastres naturales”, dice Kate Behncken, vicepresidenta y líder de Microsoft Filantropías. “El ingenio y la colaboración entre estos equipos es impresionante, y me alienta la promesa que ofrece esta solución para ayudar a proteger mejor a las personas de otros escenarios climáticos severos, como las olas de calor. Este es justo el tipo de impacto que buscamos apoyar e impulsar con las ONG asociadas a través del programa AI for Humanitarian Action”.

Inspirado por los resultados, SEEDS ha comenzado a desarrollar sus propias capacidades técnicas después de recibir la subvención AI for Humanitarian Action de Microsoft.

“Al final del primer año, también comenzamos a contratar consultores para mantener y mejorar la precisión del modelo. Microsoft nos ha dado acceso al código fuente, por lo que pronto podríamos llegar a una etapa en la que podamos ejecutar el modelo nosotros mismos”, agrega Ranganathan.