La Inteligencia Artificial avala que el nivel socioeconómico supedita las migraciones por desastres ambientales

La Inteligencia Artificial (IA) demuestra que el nivel socioeconómico explica los movimientos poblacionales que se dan tras catástrofes generadas por fenómenos naturales extremos como inundaciones, vendavales y deslizamientos de tierra.

Así se pone de manifiesto en un artículo del grupo de investigación Image and Signal Processing (ISP) de la Universitat de València (UV), liderado por Gustau Camps-Valls y que ha utilizado la IA como herramienta.

El trabajo ha sido publicado en la revista Nature Communications y para él se creó una base de datos global con inundaciones, vendavales o deslizamientos de tierra durante el período 2016-2021, ha informado la UV.

El personal investigador empleó técnicas de aprendizaje automático explicables para modelar y comprender los flujos y patrones de desplazamiento interno de la población a escala global basándose únicamente en datos observacionales proporcionados por colaboradores del Centro de Monitorización del Desplazamiento Interno (IDMC) de Ginebra, el centro de referencia internacional en la monitorización del desplazamiento interno de poblaciones en cada país.

El trabajo aporta un medio para cuantificar los desplazamientos y mitigar sus efectos a partir de datos, basándose en la IA y en la inferencia causal, proceso de identificar y entender las relaciones causa-efecto entre variables.

El catedrático del Departamento de Ingeniería Electrónica y coordinador del grupo ISP en el Laboratorio de Procesamiento de Imágenes (IPL en sus siglas en inglés) de la UV, Gustavo Camps-Valls, ha explica que este artículo «evidencia la vulnerabilidad diferencial frente a eventos climáticos extremos».

«No todas las comunidades afrontan los mismos riesgos, y cuantificamos estas diferencias, lo cual proporciona una base sólida para estrategias de mitigación y adaptación basadas en pruebas. Este estudio lo demuestra al generar una base de datos única y metodologías innovadoras de IA y Causalidad, con gran potencial de contribuir a decisiones informadas», añade.

En cuanto a las aplicaciones prácticas del estudio, Eva Sevillano apunta que esta metodología y resultados «pueden ser un punto de partida para avanzar en estrategias de adaptación y mitigación, lo cual permitirá a comunidades y responsables de políticas construir soluciones resilientes y anticiparse al identificar áreas vulnerables y comprender los factores causales».

Michele Ronco y José María Tárraga, líderes técnicos del estudio y también investigadores del IPL, resaltan la importancia de las metodologías empleadas.

Ronco, primer firmante del estudio, destaca que la utilización de técnicas de aprendizaje automático explicables les «permitió descifrar ese complejo puzzle de interacciones entre vulnerabilidad, exposición y desastres naturales. Esto proporciona una comprensión más profunda de los impulsores del desplazamiento poblacional».

Por su parte, Tárraga señala que los métodos de inteligencia artificial explicables y causales han sido una herramienta esencial para analizar situaciones tan complicadas de abordar. «Esto nos ha permitido ir más allá de las limitaciones de los modelos paramétricos tradicionales», incide.

Apunta «las dificultades» de la investigación: «Reunir y combinar datos de factores tan heterogéneos que describan las condiciones medioambientales, climáticas y socioeconómicas a nivel global y la relevancia de contar con información precisa y confiable en condiciones climáticas extremas fueron desafíos significativos».

Maria Piles asegura que la interacción con agencias humanitarias «ha sido constante y primordial para la evaluación de los resultados».

Las entidades locales, los expertos y las organizaciones humanitarias confirman que esta línea de investigación es muy necesaria y de gran ayuda para sus actividades en el terreno.