AI for Earth
Mapa de cultivo desarrollado con Inteligencia Artificial ayuda a cuidar el agua en la Patagonia
Tres científicas de Puerto Madryn utilizaron inteligencia artificial de Microsoft para crear un mapa de cultivos e identificar el tipo de prácticas que hay en cada parcela.
Desde el glaciar Perito Moreno, los lagos de los Siete Colores hasta parques naturales como Los Alerces o ciudades como Puerto Madryn, el sur argentino está plagado de escenarios naturales donde conviven una importante diversidad de animales, especies vegetales, frutales y arbóreas y asentamientos humanos que despliegan sus necesidades y potencialidades urbanas.
Con más de 57 mil kilómetros cuadrados, la cuenca del río Chubut es la segunda más extensa de la Patagonia. Nace en las zonas húmedas de las cordilleras de Río Negro y Chubut y desemboca en el Océano Atlántico. El cauce principal del río se extiende por 1,080 km. En los últimos 100 km se desarrolla el segundo valle irrigado en extensión de la Patagonia, alrededor del cual se erigen un complejo de ciudades y pueblos asociados históricamente con la actividad agrícola ganadera.
La población total de la cuenca es de 300 mil habitantes, lo que representa la mitad de la población de la Provincia de Chubut, concentrada en el Valle Inferior (95% de la población de la cuenca) distribuidos en un conjunto de siete ciudades y pueblos. El motor productivo y económico es la agricultura, la ganadería, la industria, el turismo y en menor medida, la generación de energía.
Estas actividades constituyen los principales usos del agua del Río Chubut. Sin embargo, el mayor consumidor de este recurso es el sector agrícola utilizado en específico para la producción de pasturas, alfalfa, hortalizas y frutales. El 91% de la superficie de cultivo bajo riego se encuentra en el Valle Inferior del Río Chubut.
En tiempos donde existe una creciente demanda del suelo, donde ciudades enteras aumentan su población y por tanto sus exigencias al medio ambiente, se vuelve clave contar con proyectos que tiendan a planificar de manera ordenada la distribución del territorio.
La gestión del territorio está asociada de manera directa a las prácticas de uso y cobertura del suelo y el cambio climático es un factor determinante en su implementación. Los modelos climáticos proyectan para la cabecera de la cuenca del Río Chubut un aumento de temperatura mayor a 1.5 °C y una disminución de la precipitación de entre 10 y 30%, lo que se traduce en una disminución de la producción de agua media anual de entre un 30 y un 40% para el periodo 2071-2100.
Las protagonistas del proyecto
Ana Liberoff, Natalia Pessacg y Silvia Flaherty son tres científicas argentinas que viven en Puerto Madryn. Ana y Natalia pertenecen al equipo de investigación del Centro Nacional Patagónico (CENPAT) que depende del CONICET y Silvia a la Universidad Nacional de la Patagonia San Juan Bosco.
Desde hace seis años trabajan en la investigación de los servicios ecosistémicos que son aquellos que la naturaleza le brinda a la sociedad (como por ejemplo el suministro de agua limpia), de gran relevancia e impacto en la calidad de vida de las personas.
En diciembre de 2018, a partir del programa AI for Earth de Microsoft, que invierte en investigación de IA y tecnología en cuatro áreas clave: cambio climático, agricultura, biodiversidad y agua, a través de contribuciones que brinden acceso a IA, ofertas de capacitación y educación e inversión en soluciones innovadoras, las científicas avanzaron un paso más en su investigación. Formaron un grupo interdisciplinario integrado por expertas en biología, meteorología, sensores remotos, ingeniería electrónica y computación, con el propósito de crear un mapa de uso y cobertura del suelo para el Valle Inferior del Río Chubut.
Uno de los objetivos de este mapa es contar con tendencias de cambio de uso de suelo combinadas a cambio climático. Los efectos de este último, sumados a la transformación en la cobertura del suelo, pueden afectar la cantidad y calidad del agua del río. El 80% del agua del río se utiliza para el sistema agrícola ganadero, por eso, es muy importante la eficiencia del riego y estudiar qué se siembra y qué no en cada lugar.
Para lograrlo se necesita tener un mapa de cultivos e identificar el tipo de prácticas que hay en cada parcela. Eso solo ha sido posible, y mucho más preciso, a partir del uso de Inteligencia artificial e imágenes satelitales.
Los feedlots, lugares de engorde para vacas, son también un caso concreto donde la gestión de uso del territorio puede aplicarse. En vez de dejar que las vacas deambulen y coman por ahí, les entregan la comida concentrada; lo único que hacen es comer durante todo el día. Al estar ancladas en un lugar, crecen mucho más en menos tiempo. Los desechos que genera si no están bien controlados, confluyen en los canales y ríos.
Contar con un mapa de este tipo permitirá definir cuáles son las zonas adecuadas y menos perjudiciales para ubicar el feedlot, lo que ayudará a controlar hacia dónde van esos desechos para no poner en riesgo el agua.
Alexandra Trujillo (becaria doctoral en el CENPAT) es ingeniera electrónica, experta en Machine Learning/Deep Learning y se encargó de escribir una arquitectura nueva de modelo de deep learning para clasificar usos y coberturas a partir de imágenes satelitales. El modelo lo bautizaron como SatNet (por Satélite + Network) y se encuentra en proceso de registro académico. La aplicación de herramientas de inteligencia artificial vuelve al proyecto algo único en la Patagonia.
Si bien la clasificación de imágenes satelitales se puede hacer con distintas metodologías, la inteligencia artificial permite automatizar el proceso y repetirlo año con año de manera automática. Si se mira, por ejemplo, desde un satélite los cultivos se parecen mucho unos con otros y son muy difíciles de discriminar: cuáles son árboles, cuáles frutales, cuáles hortalizas o sólo pasturas.
Con herramientas de inteligencia artificial de Microsoft Azure lograron discriminar hortalizas -como la zanahoria, la lechuga y la cebolla-, los frutales -como la cereza y las manzanas- y algunas pasturas. Es aquí donde la inteligencia artificial ayuda a tomar la información de las imágenes, ya que para poder cuantificarlas es necesario saber qué hay en cada porción de tierra. Por eso, el mapa permite determinar áreas. Con deep learning y la creación de redes neuronales, al identificar ciertos patrones, se le enseña al modelo qué es cada cosa que ve para que después repita este ejercicio por su cuenta.
Durante esos meses de trabajo se atravesaron distintas etapas que incluyeron mapear los cultivos, la utilización y decodificación de imágenes satelitales y la creación de distintas redes neuronales, se generaron varias versiones de mapas para el Valle Inferior del Río Chubut. Aunque la labor para mejorar el mapa final continúa, hasta ahora hay 9 clases diferentes que son los usos de suelo principales que se encuentran en el valle, con buenos niveles de precisión que llegan al 83%.
Tanto para organismos provinciales y nacionales, proyectos similares en otros puntos del país, como para aquellos encargados de administrar el agua, contar con mapas de estas características es esencial, ya que ayudan a detectar tendencias y a planificar un mejor uso de los recursos naturales. Por eso, la idea es trabajar en conjunto con la Compañía de Riego del Valle Inferior del Río Chubut para generar una versión mejorada del mapa.
Procesos de Reentrenamiento: aprender es hacer algo nuevo en equipos interdisciplinarios
Producir conocimiento y ponerlo a disposición de la sociedad es trabajar sobre el presente, pero también sobre el futuro. Planificar, proyectar y mejorar la relación de los seres humanos con su entorno se vuelve fundamental en tiempos de cambio climático.
Detrás de un año enérgico de investigación, las historias de Ana, Silvia y Natalia condensan las transformaciones que vive cualquier investigador cuando se cruzan modos tradicionales de investigar y nuevas tecnologías: emerge la oportunidad y necesidad de aprender y desarrollar nuevas habilidades, además de entrar en contacto con expertos de otras áreas.
«AI for Earth te obliga a reunirte, a armar equipos interdisciplinarios para aprender entre pares. No es que una persona sola tiene que aprender y detentar el conocimiento, sino que es compartido. Cada uno aporta desde su capacidad y experiencia», sostiene Ana Liberoff, doctora en Biología especializada en Conservación y manejo de ecosistemas de agua dulce, quien hasta el momento conocía muy poco sobre inteligencia artificial.
En este sentido, las tres coinciden que esta experiencia ha empezado a cambiar la manera de entender los modos de hacer investigación: pasar de grupos cerrados e individualistas a equipos en el que convergen especialistas de distintas áreas. “Más que enriquecernos es potenciar el trabajo en equipo y si bien aprendimos todos de todos cada una aportó su conocimiento. En equipo se lograron hacer cosas que individualmente no se podrían haber hecho”, concluyen Silvia Flaherty y Natalia Pessacg.
A fuerza de pequeñas capacitaciones entre todo el equipo, lograron sistematizar y distribuir el trabajo de investigación. También, generaron espacios de transmisión de saberes. Por ejemplo, Silvia Flaherty dio una clase sobre imágenes satelitales, mientras que Alexandra Trujillo aportó otra sobre redes neuronales. A su vez, Cristian Pacheco (CENPAT), experto en computación y colaborador en el proyecto, explicó de manera muy práctica cómo trabajar con Phyton y ahora pueden leer, modificar y ejecutar este lenguaje de programación.
En tiempos de intensidad tecnológica, donde los modos de hacer ciencia no pueden pensarse apartados de la tecnología, se afianza una tendencia que va hacia equipos interdisciplinarios y transdisciplinarios, donde el conocimiento se construye en equipo y es preciso reinventarse, incorporar habilidades técnicas (como pensamiento computacional, programación, etc.).
Foto principal: Imagen aérea del área de la cuenca del Río Chubut, en la Patagonia. (Foto de Microsoft Argentina)
Todas las imágenes tomadas por Microsoft Argentina.