A nivel mundial, los incendios forestales se están volviendo más frecuentes y destructivos, generando una cantidad significativa de humo que puede transportarse a miles de kilómetros, lo que genera la necesidad de pronósticos más precisos sobre sus consecuencias y la contaminación del aire que pueden ocasionar.
Un modelo de aprendizaje más preciso, desarrollado por un equipo de investigadores de Penn State, proporciona predicciones mejoradas de la calidad del aire en áreas propensas a incendios forestales y puede diferenciar entre incendios forestales y no forestales.
A medida que el cambio climático continúa causando cambios y desafíos ecológicos, es probable que las actividades de incendios forestales se sigan incrementando. Debido a esto, es una prioridad de investigación urgente predecir con precisión la concentración de contaminantes del aire inducidos por el humo, especialmente en áreas propensas a incendios forestales.
Su emanación contiene una combinación de moléculas y muchos contaminantes gaseosos. Las partículas finas, denominadas PM2.5, se han asociado con riesgos significativos para la salud humana y están reguladas por la Agencia de Protección Ambiental (EPA) de EEUU.
Las partículas finas del humo de los incendios forestales pueden afectar negativamente la salud humana cuando los niveles son altos. Las predicciones de la calidad del aire para áreas propensas a incendios pueden ayudar significativamente a los administradores de emergencias y a los funcionarios de salud pública a mitigar los impactos ecológicos y de salud pública potencialmente adversos de los eventos de contaminación de la atmósfera.
El nuevo modelo podría advertir a las personas antes sobre la calidad peligrosa del aire. Nuestro equipo acaba de informar sobre sus hallazgos en la revista Science of the Total Environment.
Variantes atmosféricas
La predicción precisa de la calidad del aire, especialmente para los contaminantes derivados de los incendios forestales, es un desafío, ya que está muy relacionada con las características del fenómeno, como las condiciones atmosféricas, la topografía, el combustible y la humedad.
La ventaja de este modelo es que puede producir mejores predicciones capaces de capturar los cambios abruptos de PM2.5 cuando ocurren incendios forestales, sin subestimar la cantidad que está presente, cuestión que otros modelos tienden a subestimar. Del mismo modo, el modelo no sobreestima PM2.5 cuando no hay fuego.
El modelo que desarrolló el equipo científico es una iteración de un sistema de aprendizaje profundo existente llamado “Transformador”, que se basa en una estructura de secuencia a secuencia propuesto originalmente para la traducción de idiomas y se ha utilizado con éxito para la previsión de temporales. El nuevo procedimiento, llamado ST-Transformer, utiliza un marco novedoso que puede determinar las tendencias asociadas con los incendios forestales.
Usando datos de las estaciones de calidad del aire de la EPA en el área metropolitana de Los Ángeles, el modelo fue entrenado para realizar pronósticos de series temporales sobre las concentraciones de PM2.5. Debido a que las estaciones de calidad del aire están escasamente ubicadas en grandes áreas y recopilan datos a lo largo del día, ST-Transformer debe considerar las variables de tiempo y espacio, así como las cuestiones que se impactan entre sí.
Para entrenar el modelo, incluimos dependencias espaciales, temporales y variables de incendios forestales, humo y contaminantes del aire. También cambiamos el mecanismo de atención completa a dispersa, que se puede entrenar para priorizar y capturar la información más relevante. Esto permite que el modelo se centre solo en las PM2.5 relacionadas con los incendios forestales.
La forma tradicional de realizar este tipo de trabajo para la previsión de series temporales es entrenar modelos por separado para escenarios con y sin humo. Luego, éstos últimos sirven como referencia para predecir la contaminación del aire durante días sin incendios forestales, y el primero para pronosticar días con humo provenientes de incendios de los bosques. Nuestro equipo fusionó estas entradas en un solo modelo.
Ahí es donde entra en juego la atención escasa porque con ella se sabe qué entradas proporcionarán un pronóstico más preciso. La escasa atención también proporciona mejores estimaciones de PM2.5, reduciendo las sobreestimaciones durante los tiempos de referencia y cuando hay un incendio.
ST-Transformer también podría usarse para mejorar las predicciones en otros campos, como la calidad del agua, las precipitaciones y la radiación solar.
También participaron del proyecto de Penn State Christopher Blaszczak-Boxe, ex profesor de investigación asociado de geociencias y ahora en la Universidad de Howard, y Arif Masrur, ex estudiante graduado en geografía que obtuvo su doctorado en 2021 y ahora es ingeniero de soluciones sénior en Esri, un emprendimiento privado dedicado a desarrollar sistemas de información geográfica.
*La doctora Manzhu Yu es profesora asistente de geografía en Penn State e investigadora principal del proyecto sobre el modelo de aprendizaje para la predicción de calidad del aire. Se recibió de licenciada en Teledetección de la Universidad de Wuhan en 2012 y realizó su doctorado en Ciencias del Sistema Terrestre y Geoinformación de la Universidad George Mason en 2017.
Por el Día internacional de la Madre Tierra, el IMiBio realizó una jornada de concientización sobre el cuidado de la biodiversidad y los desafíos actuales@imibiomisiones https://t.co/LO4YJb2eoT
— Valor Ambiental (@ValorAmbiental1) April 20, 2023
