Los proyectos que destinan ayuda a pueblos y zonas rurales del mundo en desarrollo suelen afrontar desafíos que requieren mucho tiempo, incluso para la tarea más básica de determinar dónde se encuentran los emplazamientos más adecuados para programas piloto o para implementar nuevos sistemas, como la energía solar en regiones sin acceso a la electricidad. A menudo, ni siquiera se conocen bien el tamaño y la ubicación de los pueblos, por lo que hacen falta estudios de campo que requieren mucho tiempo para localizar emplazamientos adecuados.
Un equipo de estudiantes de posgrado del MIT y un grupo de científicos de datos dedicado a los servicios sociales han ideado una forma de automatizar parte de ese proceso de evaluación mediante el desarrollo de un software capaz de identificar casas e incluso tipos de casas a partir de imágenes satelitales disponibles fácilmente, lo que podría ahorrar mucho tiempo que, de otro modo, se dedicaría a enviar equipos de pueblo en pueblo. Sus hallazgos se han publicado en la revista Big Data.
El equipo multidisciplinario se formó a raíz de conversaciones en la residencia de posgrado Sidney Pacific del MIT, explica Brian Spatocco, integrante del equipo: «Empezamos a hablar de este problema y nos dimos cuenta de que todos teníamos habilidades pertinentes». La propuesta del equipo les valió un premio de 10.000 dólares el año pasado en el MIT IDEAS Global Challenge, que ayudó a poner en marcha el proyecto y permitió a sus integrantes visitar zonas rurales de India el verano pasado para probar su sistema de procesamiento de imágenes en condiciones reales.
El grupo, que llegó a incluir a un graduado del MIT que trabaja en DataKind DataCorps, con sede en Nueva York, y a otro investigador de esa organización, se centró en dos proyectos iniciales, en India y África, aunque recalca que sus soluciones de software podrían aplicarse a muchos otros tipos de proyectos y regiones.
Selección de pueblos para recibir ayuda
El primer proyecto consistía en seleccionar pueblos del África subsahariana para un programa de subvenciones en efectivo sin restricciones, destinado a ayudar a las personas de zonas rurales de bajos ingresos a mejorar su nivel de vida, permitiéndoles comprar equipos, ganado o lo que consideraran más adecuado para satisfacer sus necesidades. El sistema adoptado por la entidad que otorgaba las subvenciones consistía en dirigirse a los pueblos más pobres, seleccionados contando el porcentaje de casas con techo de paja frente a las que tenían techos de metal, más costosos; una tarea que habían realizado trabajadores de campo sobre el terreno.
El segundo proyecto consistía en seleccionar pueblos de zonas rurales de India para instalar microrredes que suministraran electricidad mediante paneles solares y sistemas de almacenamiento en baterías, y luego determinar los emplazamientos óptimos para esos paneles y la configuración de red más eficiente para distribuir la electricidad.
En ambos casos, el primer elemento clave es automatizar la tarea de determinar dónde están los edificios dentro de una imagen satelital. Para esta investigación, el equipo utilizó dos tipos de imágenes satelitales: Google Earth, cuyas imágenes tienen tres «canales» de color, correspondientes al rojo, el verde y el azul, e imágenes satelitales comerciales que también incluyen un canal de infrarrojo cercano, que aporta información adicional para detectar la vegetación y otras características.
Identificación de estructuras
El proceso comienza cuando las personas examinan visualmente las imágenes satelitales y señalan las casas. A continuación, estos ejemplos seleccionados manualmente se introducen como datos de entrenamiento en un sistema de aprendizaje automático que intenta generalizar los criterios para determinar qué es una casa y qué no, y que luego «puede intentar predecir, en una imagen nueva», dónde están las casas, explica George Chen, coautor del artículo. Uno de los desafíos, señala, es que no siempre está claro si una estructura determinada son dos casas muy próximas o dos partes del mismo edificio. En otros casos, «el color de la casa es parecido al del suelo», aunque eso ocurre con menos frecuencia, afirma.
Pero, a medida que el sistema procesa más ejemplos, «con el tiempo, las computadoras pueden aprender del conjunto seleccionado a mano» y mejorar su capacidad para determinar dónde están las casas, afirma Spatocco. Después, en el caso del proyecto de ayuda en África, que actualmente realiza transferencias de efectivo incondicionales en pueblos de Kenia y Uganda, se emplea un paso adicional para distinguir las casas con techos de metal, mucho más reflectantes que los de paja.
En el proyecto de instalación de microrredes en India, una vez determinadas las ubicaciones de las casas, la computadora ejecuta miles de variaciones distintas sobre dónde podrían ubicarse los paneles solares, las baterías y los cables de distribución. Esto permite al equipo elegir las configuraciones que pueden suministrar electricidad al mayor número de casas con la menor cantidad de cableado posible, para minimizar los costos. El programa también puede seleccionar configuraciones según otros criterios locales, como que un pueblo quiera específicamente sus paneles solares en un lugar determinado.
El equipo afirma que los algoritmos generales que ha desarrollado podrían tener muchos otros usos, además de los dos proyectos específicos en los que los probó inicialmente. Por ejemplo, hay pocos datos sobre los cambios demográficos en India: qué zonas han ganado o perdido población y en qué medida. Spatocco afirma que «esta podría ser una herramienta sumamente potente» para analizar esos cambios de población mediante el seguimiento automatizado de la ubicación de las casas y de cómo esta cambia con el tiempo. «Podría responder a preguntas de fondo sobre estas dinámicas demográficas», añade.
A medida que avance el proyecto, se seleccionarán cuatro pueblos de India para la siguiente fase de pruebas: en dos se instalarán microrredes solares con los métodos existentes y en los otros dos se instalarán según los patrones seleccionados por el software. Luego se compararán estos pueblos, elegidos para que sean lo más similares posible, a lo largo del tiempo en cuanto al costo real y al rendimiento de los sistemas, a fin de determinar exactamente cuánto beneficio puede obtenerse con el nuevo enfoque.
«Esperamos que las agencias públicas acaben comprendiendo la conveniencia de cartografiar 100 millones de hogares rurales en países en desarrollo», afirma Stewart Craine, presidente del grupo de cartografía de la Fundación de las Naciones Unidas y director de DevelopmentMaps.org, empresa que ofrece servicios de cartografía por satélite a organizaciones de desarrollo, pero que no participó en este proyecto. «La cartografía preliminar puede reducir el desperdicio de tiempo de campo, que es costoso, en la cartografía de hogares, y permitir dedicar más recursos a las conversaciones en los pueblos y al ajuste de precisión del diseño preliminar realizado desde el escritorio», explica. En general, afirma, este artículo es «una excelente contribución» al campo.
El equipo también incluyó a los estudiantes de posgrado del MIT Kendall Nowocin, Vivek Sakhrani y Ling Xu, así como a Kush Varshney SM ’06, PhD ’10, y Brian Abelson, ambos de DataKind DataCorps. El equipo colaboró con la organización sin fines de lucro SELCO Foundation, con sede en Bangalore, que está llevando a cabo las instalaciones de microrredes en India, y con GiveDirectly para el programa de transferencias de efectivo en África. La investigación recibió orientación y apoyo del Tata Center for Technology and Design del MIT, que forma parte de la MIT Energy Initiative.
Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para mantenerse al día con Agenda, suscríbase a nuestro boletín semanal.
Autor: David L. Chandler es colaborador de MIT News.
Imagen: Vista aérea de una casa dentro de su recinto en Leer, estado de Unity, Sudán del Sur. REUTERS/Andreea Campeanu
