Los métodos de modelado geoespacial se han convertido en una herramienta importante para el monitoreo ambiental, que se utiliza para gestionar los riesgos ambientales y monitorear las amenazas de desastres naturales. Los resultados del modelado son una fuente importante de información para pronosticar y comprender las consecuencias de diversos escenarios de desarrollo socioeconómico y cambio climático.
Por Oleg Sherbakov, Instituto de Ciencia y Tecnología de Skolkovo
La investigación geoespacial aprovecha cada vez más los métodos de aprendizaje automático para monitorear la cobertura vegetal, evaluar el funcionamiento de los ecosistemas y la biodiversidad, así como para combatir incendios, inundaciones y sequías.
Los investigadores publican numerosos artículos en los que informan sobre la mejora de modelos, la solución de problemas fundamentales y nuevos enfoques, incluso en las ciencias naturales. Sin embargo, estas publicaciones suelen adolecer de errores metodológicos, principalmente debido a las limitaciones inherentes al aprendizaje automático.
Un grupo de científicos de Skoltech y del Instituto AIRI analizó la literatura académica, identificó problemas típicos y propuso soluciones. Los resultados se presentan en un artículo de revisión publicado en la revista Nature Communications .
«Encontramos que entre las principales dificultades se encuentran el desequilibrio de los datos, la autocorrelación espacial, los sesgos en los datos, los errores de pronóstico y las dificultades para estimar la incertidumbre del modelo. Aunque estos problemas son bien conocidos, los enfoques existentes a menudo los ignoran, limitándose a los procedimientos estándar de entrenamiento y validación de modelos de aprendizaje automático», dijo una de las autoras principales, Diana Koldasbayeva, estudiante de doctorado en Skoltech del programa de Ciencias e Ingeniería Computacionales y de Datos.
«Para eliminar estas limitaciones, es necesario desarrollar métodos que consideren las características únicas de los datos ambientales y los procesos espaciotemporales», dijo Alexey Zaitsev, coautor del estudio, profesor asistente del Centro de IA Skoltech y jefe del Laboratorio de Investigación Aplicada Skoltech-Sberbank.
«El artículo presenta un enfoque unificado para resolver estos problemas, que incluye herramientas y técnicas para mejorar la precisión de los modelos, así como recomendaciones para mejorar la evaluación de su calidad. Esperamos que nuestros resultados ayuden a los científicos de diferentes países a elegir sus direcciones de investigación».
Los autores también identificaron áreas clave para el desarrollo de la investigación geoespacial teniendo en cuenta los detalles de los datos ambientales y presentaron su propia colección de herramientas, recursos y proyectos avanzados que utilizan tecnologías geoespaciales para resolver problemas ambientales.
La colección está disponible públicamente en GitHub e invita a los colegas a usarla y complementarla.
«En el estudio, introdujimos nuevos conjuntos de datos, modelos y enfoques para garantizar la calidad del trabajo necesario para implementar desarrollos científicos aplicados en la industria y resolver el problema de la interpretabilidad de los pronósticos basados en datos», comentó el profesor Evgeny Burnaev, director del Centro de IA Skoltech y jefe del grupo de investigación Learnable Intelligence en AIRI.
«Por ejemplo, es sumamente importante crear bases de datos bien organizadas. La mejora de los datos conduce naturalmente a una reducción de las distorsiones asociadas con el desequilibrio y la autocorrelación.
«Anticipamos el surgimiento de modelos autosupervisados entrenados en grandes conjuntos de datos semicurados para el mapeo geoespacial en la investigación ambiental , similar a lo que hemos visto en el modelado del lenguaje y la visión por computadora».
Más información: Diana Koldasbayeva et al., Desafíos en el modelado geoespacial basado en datos para la investigación y la práctica ambiental, Nature Communications (2024). DOI: 10.1038/s41467-024-55240-8
