Desastres medioambientales: cómo prevenir usando datos

Cerca de 20 empresas operan actualmente en Quintero y Puchuncaví. Entre estas empresas se pueden encontrar terminales de gas, petroleras y termoeléctricas que lamentablemente en conjunto han aportado a que hoy día esta zona esté “sacrificada” ambientalmente, a través de la emanación de una gran variedad de gases tóxicos.

Entre las repercusiones visibles de esta crisis se han reportado cientos de casos de intoxicaciones que han revelado los efectos nocivos de la crisis en la salud de la comunidad.

Sin embargo, puede haber muchas otras repercusiones de esta crisis ambiental que no necesariamente son visibles, pero que pueden impactar permanentemente la calidad de vida de la comunidad, afectando la tierra, el agua, el aire, la flora y la fauna de la zona.

En particular, en una crisis ambiental las distintas fuentes de contaminación, sumadas a las condiciones meteorológicas pueden amplificar y retroalimentarse mutuamente para agudizar el impacto de cada una de estas fuentes por separado.

¿Qué podemos hacer al respecto? Hoy día la generación de datos en tiempo real permite pensar en soluciones basadas en inteligencia artificial que, combinadas con conocimiento de expertos, permitan tener sistemas de monitoreo, predicción y análisis para generar alertas y facilitar la reacción y evitar futuras crisis. Existen bastantes experiencias de soluciones de este tipo reportadas en otras partes del mundo (para más detalles, ver Oprea, Iliadis 2017, “An Artificial Intelligence-Based Environment Quality Analysis System”).

¿Cómo funcionaría un sistema de inteligencia artificial? Un sistema de esta naturaleza podría alimentarse de una red de estaciones meteorológicas que entregue mediciones de variables climáticas como temperatura, humedad, precipitaciones, vientos, entre otras variables, en diferentes zonas. Además, se podría incorporar redes de estaciones de monitoreo con sensores que permitan obtener indicadores de concentración de contaminantes en el aire, el agua, la tierra como SO2, CO, NO2, NH3, O3, PM10, PM2,5, e investigar la posibilidad de monitorear niveles de nitrobenceno, isobutano y metil de cloroformo, entre otros contaminantes.

Luego, estos datos podrían utilizarse para entrenar modelos de machine learning, como por ejemplo redes neuronales, y de esta forma desarrollar modelos predictivos que permitan informar a las empresas y a las autoridades -en tiempo real- sobre los riesgos y probabilidades de sobrepasar los niveles admisibles de cada tipo de contaminante. La gracia de estos modelos es que consideran las interdependencias de los distintos contaminantes junto con las condiciones meteorológicas, por lo que, dependiendo de la disponibilidad de datos, podría anticiparse con un razonable nivel de precisión a los daños generados por estos contaminantes y alertar tanto a empresas como a la comunidad para prevenir o reducir los efectos de una crisis ambiental.

Con tantas empresas aportando tan variado menú de contaminantes, resulta imprescindible avanzar en sistemas de monitoreo como el recién descrito para velar por la calidad de vida de los habitantes de Quintero y de su medioambiente.

Compártelo en tu red social favorita

última edición contrafactual

Get Curated Post Updates!

Sign up for my newsletter to see new photos, tips, and blog posts.