Inteligencia artificial para mejorar la predicción climática y hacer más eficiente la agricultura y las energías renovables
El grupo de investigación Aprendizaje y Redes Neuronales Artificiales (AYRNA, TIC-148) de la Universidad de Córdoba, se dedica principalmente al desarrollo y aplicación de técnicas de aprendizaje automático que, a partir de grandes volúmenes de datos, realizan predicciones útiles para afrontar retos de ámbitos tan diversos como la agricultura de precisión, las energías renovables, o la biomedicina. Sus modelos permiten, entre otras aplicaciones, identificar cultivos a partir de imágenes de satélite y drones, predecir fenómenos meteorológicos y la cantidad de recurso a generar en energías renovables o mejorar la gestión de órganos para trasplantes. El gran reto de estas tecnologías: disponer de datos de calidad que permitan desarrollar modelos cada vez más precisos y fiables.
Pedro Antonio Gutiérrez, responsable del grupo de investigación AYRNA, junto a César Hervás, Catedrático fundador del mismo, nos explican las líneas que desarrollan, los datos obtenidos más relevantes y la importancia de pertenecer al Campus de Excelencia Internacional Agroalimentario ceiA3.
VER FICHA DEL GRUPO DE INVESTIGACIÓN
¿Qué líneas de investigación realiza su grupo?
Nuestro grupo trabaja en Aprendizaje Automático, una de las herramientas más útiles de la Inteligencia Artificial para el análisis de datos. A nivel metodológico, abordamos el desarrollo de metodologías específicas de redes neuronales artificiales y de modelos para clasificación ordinal. Por otro lado, colaboramos con grupos de investigación de otras áreas para aplicar estas técnicas en problemas reales, incluyendo, entre otros:
Biomedicina: priorización de receptores en trasplantes, asignación donante-receptor, diagnóstico mediante imagen médica.
Agricultura de precisión: identificación de cultivos mediante imágenes de satélite o de drones, predicción de emergencia de malas hierbas, identificación de vegetación mediante imágenes LiDAR…
Energías renovables: predicción de recurso (radiación, altura de ola, velocidad de viento…) para gestión y aprovechamiento de fuentes de energía renovables (energía solar, energía undimotriz, energía eólica…).
¿Qué proyectos querrían destacar como ejemplos en los que haya participado el grupo?
Por ejemplo, el proyecto GEMA es un sistema de priorización para gestionar la lista de espera de trasplante hepático para un uso más eficiente y ético de los órganos donados. Se enfoca hacia la corrección de las disparidades de género y la reducción de la mortalidad en lista de espera mediante la evaluación de datos, validación de modelos, y exploración de nuevos análisis de inteligencia artificial.
Otro proyecto a destacar, en este caso en una vertiente más teórica, es el proyecto ORCA-DEEP, que tiene como principal objetivo el desarrollo de nuevos algoritmos para clasificación ordinal, basados en aprendizaje profundo y neuroevolución. Además, en el desarrollo de este proyecto se consideró la aplicación de estas técnicas a diferentes problemas en meteorología, energías renovables y medio ambiente. Concretamente, destaca el desarrollo de metodologías de clasificación ordinal para abordar la predicción de olas de calor y frío o sequías, la predicción de recurso en energía renovable o la predicción de temperatura atmosférica.
¿Qué datos obtenidos consideran que son los más relevantes?
El modelo GEMA, tras ser validado en publicaciones científicas en biomedicina -como la revista The Lancet Gastroenterology & Hepatology o Clinical Gastroenterology and Hepatology- está siendo validado en varios centros internacionales, con una gran aceptación. Esperamos que pueda llegar en un futuro a hospitales andaluces, ya que se ha demostrado su capacidad para corregir desigualdades de género en el acceso al trasplante.
¿Qué importancia cree que tiene pertenecer al ceiA3 y qué oportunidades de investigación puede aportarles?
Para nosotros, formar parte del ceiA3 es una oportunidad muy importante, especialmente por el potencial de colaboración que existe entre grupos de investigación con áreas de trabajo tan diversas y complementarias. Creemos que las tecnologías de inteligencia artificial tienen una gran aplicabilidad en numerosos problemas de modelado planteados por los grupos de investigación más relacionados con el sector agroalimentario plantean y, en ese sentido, pensamos que el campo en el que trabajamos tendría mucha aplicabilidad para ayudarles a mejorar la capacidad predictiva de sus modelos y facilitar una toma de decisiones más eficiente.
Nuestro grupo trabaja en diferentes ámbitos de la inteligencia artificial, entre ellos la clasificación ordinal, una técnica especialmente útil cuando las categorías que se quieren predecir siguen un orden o representan distintos niveles o estadios. Por ejemplo, estamos desarrollando herramientas que permiten determinar automáticamente el estadio de una plaga en un cultivo.
¿Retos de cara al futuro?
Uno de los grandes retos está en conseguir datos de calidad que sustenten los modelos que desarrollamos, ya que la capacidad de dichos modelos depende directamente de la información de la que se nutren. En este sentido, la colaboración estrecha con expertos del IMIBIC o del ceiA3, en este caso, resulta fundamental, ya que el desarrollo de un buen modelo requiere muchas rondas de trabajo conjunto, desde la definición del problema y la recopilación de los datos hasta la validación de los resultados.
Otro reto muy importante en el que ya estamos trabajando y que tiene mucho interés, es la reducción de los posibles sesgos como el que comentábamos del género en el acceso al trasplante. Los datos, al final, reproducen los sesgos que tenemos en la sociedad, entonces, cada vez va a haber más protagonismo de personas expertas en ética para reducir estos sesgos antes de generar los modelos, porque si no los seguiremos reproduciendo.
Por otro lado, hoy en día está habiendo un gran avance en el uso de imágenes 2D y 3D. En agronomía es fundamental el uso que se está haciendo de las imágenes de drones, porque es más sencillo, menos costoso y muy útil, ya que no es suficiente el utilizar únicamente imágenes de satélite cuando hay nubes, por ejemplo. En este sentido, es muy importante la colaboración con otros grupos donde haya un diseño experimental previo: decidir qué tecnología utilizar, cómo y cuándo recoger las imágenes y garantizar unos estándares de calidad que permitan obtener datos comparables en este sentido, tanto la tecnología como los algoritmos ayudan a mejorar esa capacidad de decisión. Es por ello por lo que resulta fundamental lo que comentábamos antes, contar con buenos datos para obtener buenos modelos.
