Inteligencia artificial contra la deforestación
Barry Callebaut
highcarbonstock.org
Image from Nico Lang, data from EcoVision Lab ETH Zürich. Built-up data: © Copernicus Service Information 2019
Identificar el vínculo entre productos básicos específicos y zonas con riesgo de deforestación puede ser extremadamente complejo. En Barry Callebaut, exigimos a nuestros proveedores, como los de palma y soja, que identifiquen las zonas forestales que deben protegerse y las que pueden desarrollarse para la agricultura. Sin embargo, llevar a cabo este tipo de evaluación es difícil, lleva mucho tiempo y, a menudo, es un ejercicio costoso.
Necesitábamos una solución para ayudar a nuestros proveedores que fuera más eficiente, menos costosa y con capacidad de ampliación. Además, sabíamos que la inteligencia artificial ya se utilizaba para estrategias de cambio climático, como la predicción de sequías, nubosidad y emisiones de gases de efecto invernadero.
Por lo tanto, la pregunta que nos hicimos fue: ¿cómo podemos aprovechar la metodología de deforestación existente con la inteligencia artificial?
Para responder a esa pregunta, nos asociamos con EcoVision Lab, que forma parte del grupo de Fotogrametría y Teledetección de la ETH de Zúrich, que tiene la capacidad de desarrollar soluciones de inteligencia artificial altamente automatizadas. El grupo tiene una larga experiencia en la combinación del aprendizaje automático (deep learning) con la teledetección para abordar los retos ecológicos. El equipo de la ETH de Zúrich está utilizando datos de un escáner láser de la NASA acoplado a la Estación Espacial Internacional e imágenes de la Agencia Espacial Europea (ESA), lo que permite cartografiar grandes áreas aplicando inteligencia artificial, limitando las mediciones sobre el terreno solo a lugares muy críticos.
Esta colaboración condujo al desarrollo de un mapa indicativo de las Altas Reservas de Carbono (HCS), disponible públicamente y pionero en el sector, que identifica los bosques con alto valor de conservación y las zonas en las que la deforestación causaría las mayores emisiones de carbono.
Basándose en los mejores enfoques
El desarrollo del mapa HCS respalda en gran medida el enfoque actual de datos tomados en el campo, que hasta ahora es el enfoque ampliamente utilizado para medir el vínculo entre el cultivo de productos básicos y la deforestación, el llamado High Carbon Stock Approach (HCSA).
"Este nuevo método que combina el aprendizaje profundo y las imágenes satelitales disponibles públicamente es un verdadero avance porque proporciona una herramienta altamente automatizada, transparente y objetiva que genera mapas indicativos de HCS a escala global con una precisión sin precedentes." Prof. Dr. Jan Dirk Wegner, director del laboratorio EcoVision, ETH Zúrich y Universidad de Zúrich
Basándose en los mejores enfoques de su clase
La HCSA es una metodología ampliamente reconocida y cada vez más utilizada por las normas de certificación, como la Mesa Redonda sobre Aceite de Palma Sostenible (RSPO), y por las empresas que se comprometen a romper el vínculo entre la deforestación y el desarrollo de la tierra en sus operaciones o en la cadena de suministro. La dependencia de las imágenes terrestres y aéreas para la HCSA supone un reto, ya que la medición manual de los paisajes y la evaluación de las clases de vegetación requieren mucha mano de obra y son difíciles de desplegar a escala, mientras que el uso de aviones equipados con escáneres láser especializados es una opción cara.
Combinación de HCSA con el poder predictivo de la inteligencia artificial
La implementación de soluciones de inteligencia artificial comienza con la calidad de los datos. El aprendizaje profundo es un campo de investigación con un ritmo muy rápido. Los nuevos algoritmos están mejorando rápidamente y están demostrando el potencial de revolucionar la supervisión de los bosques y la estimación de las reservas de carbono basadas en imágenes de satélite. Sin embargo, cuando se depende del aprendizaje supervisado, es decir, del aprendizaje a partir de grandes conjuntos de datos de referencia, la cantidad y la calidad de los datos es la clave del éxito. En los últimos cuatro años, el equipo de la ETH se ha centrado en utilizar las nuevas imágenes de satélite y en calibrar los datos regionales de biomasa de carbono. Como resultado, hemos desarrollado una herramienta altamente automatizada, objetiva y que puede utilizarse para ampliar la cartografía indicativa de HCS a regiones enteras del mundo.
"Ser positivo en carbono y bosques es uno de los compromisos clave de Forever Chocolate. Estos mapas son el resultado de una colaboración de cuatro años con una de las principales instituciones de investigación que combina la inteligencia artificial con la teledetección para la protección de los ecosistemas. Al asociarnos hemos creado una solución innovadora y escalable a la que puede acceder todo el mundo." Massimo Selmo, Director de Aprovisionamiento Global de Barry Callebau.
"Damos la bienvenida a este nuevo e innovador mapa indicativo HCS realizado por ETH Zurich y Barry Callebaut. Mapear los bosques HCS en las regiones forestales tropicales a nivel mundial es un primer paso para protegerlos de la deforestación. HCSA quiere aprovechar este trabajo de Barry Callebaut y la ETH para poner a disposición de cualquiera mapas HCS de alta calidad para aplicar la no deforestación, y en particular de los pequeños agricultores". Judy Rodrigues, Directora Ejecutiva de High Carbon Stock Approac.
Sureste de Asia y más allá
El lanzamiento hoy de este mapa HCS a gran escala marca un momento crucial en nuestro emocionante viaje con ETH Zurich, que podría extenderse mucho más allá de nuestra propia cadena de suministro de chocolate y cacao.
Nos apasiona abordar los mayores retos de nuestra industria y sólo podemos hacerlo trabajando juntos y empujando constantemente la aguja para encontrar soluciones innovadoras.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.