Infinitas posibilidades

Asignar nuevos usos a los datos con fines públicos y privados, e integrarlos puede ayudar a proporcionar información en tiempo real y a mayor escala, subsanar las deficiencias y superar las limitaciones asociadas con cada tipo de datos. A pesar del reconocido potencial de estas iniciativas para mejorar los niveles de vida en los países de ingreso bajo, es necesario eliminar varios obstáculos, entre ellos las limitaciones tecnológicas y de capital humano, los riesgos vinculados a la privacidad de los datos, los límites a la representatividad de las poblaciones más pobres y marginadas, y las deficiencias en la investigación sobre métodos, herramientas y estándares para la integración de los datos con fines públicos y privados.

Monitoreo de la agricultura en pequeña escala desde el espacio

En África al sur del Sahara, la agricultura es una parte integral de los medios de subsistencia, dado que en las zonas rurales puede representar hasta dos tercios de los ingresos familiares. Por lo tanto, mejorar la productividad de los pequeños agricultores es un objetivo de larga data en muchos países africanos que apuntan a eliminar la pobreza y la inseguridad alimentaria.

Para monitorear los avances hacia los objetivos de desarrollo nacionales e internacionales relacionados con la productividad agrícola, los países necesitan mediciones precisas y específicas de la superficie cultivada, la producción y los rendimientos a nivel nacional. Asimismo, el nivel de desglose dentro del país debe ser suficiente para orientar la focalización y evaluación de las políticas y los programas que promueven el desarrollo agrícola y rural, así como la resiliencia frente a desastres y fenómenos meteorológicos extremos.

Con el inicio de la misión Sentinel-2 de la Agencia Espacial Europea en 2015 y el posterior aumento de la disponibilidad pública de imágenes satelitales de alta resolución, las investigaciones han demostrado el potencial que existe para el seguimiento satelital de los resultados agrícolas en los sistemas agrícolas en pequeña escala que antes no podían estudiarse desde el espacio.

Las mediciones satelitales de las superficies y el rendimiento de los cultivos requieren datos para preparar y validar los modelos subyacentes, para lo cual se utiliza cada vez más el aprendizaje automático. Una investigación llevada a cabo en Kenya, Uganda y Malí ha demostrado recientemente cuán prometedores son los datos georreferenciados de encuestas para preparar y validar modelos que combinan encuestas de hogares e imágenes satelitales para obtener estimaciones específicas de alta resolución de la superficie cultivada y el rendimiento mediante una combinación de exactitud, precisión y puntualidad que solo es posible gracias a la asignación de nuevos usos para las fuentes de datos con fines públicos y su integración.

A partir de estas actividades a escala subnacional, una nueva investigación llevada a cabo por el Estudio de Medición del Nivel de Vida del Banco Mundial y Atlas AI, en el marco de la Iniciativa 50x2030: Agricultura inteligente basada en datos, se concentra actualmente en identificar el volumen requerido de recopilación de datos de encuestas, y el enfoque aplicable a dicha recopilación, para satisfacer las necesidades de preparación y validación de modelos en aplicaciones de observación de la Tierra que, a su vez, pueden ampliarse a países enteros. Estas aplicaciones pueden proporcionar estimaciones satelitales fiables de resultados agrícolas, especialmente en entornos que se caracterizan por la agricultura en pequeña escala y la pobreza, y que más se beneficiarían con estas iniciativas.

Mediante las imágenes satelitales de Sentinel-2 y los datos de encuestas innovadoras recopilados por la Oficina Nacional de Estadísticas de Malawi y el Organismo Central de Estadística de Etiopía, las investigaciones han permitido identificar las mejores prácticas en la recopilación de datos georreferenciados de encuestas que maximizarían la utilidad de las encuestas permanentes de hogares para realizar una estimación basada en imágenes satelitales de los resultados agrícolas, haciendo hincapié en el mapeo de superficies cultivadas de maíz, un factor clave para los medios de subsistencia y la alimentación en ambos países. El análisis revela que mediante un flujo de trabajo de aprendizaje automático sencillo se pueden clasificar las parcelas pequeñas con cultivos de maíz con una precisión de hasta el 75 %; que la clasificación alcanza su máximo rendimiento con poco menos del 60 % de los datos de preparación, y que la erosión aparentemente pequeña en la exactitud predictiva bajo enfoques menos preferibles para la georreferenciación de la ubicación de las parcelas en las encuestas de hogares puede, de hecho, conducir a una sobreestimación considerable, de 160 000 a 470 000 hectáreas (del 8 % al 24 %), en la superficie total cultivada de maíz.

Después de identificar el mejor modelo disponible, los investigadores lo utilizan para trazar un mapa del cultivo de maíz en Malawi y Etiopía, a una resolución espacial de 10 metros: un logro que antes de 2015 resultaba inimaginable. En el siguiente mapa de Malawi se refleja el contraste entre dos realidades para la temporada agrícola 2018/19. A la izquierda, se observan estimaciones de la superficie cultivada de maíz a nivel de los distritos, el nivel más detallado en que la encuesta de hogares puede proporcionar estadísticas fiables en el país. A la derecha, se observa la instantánea de una superficie seleccionada de la región central de Malawi, donde podemos acceder a superficies tan pequeñas de hasta 100 metros cuadrados, lo que resulta posible gracias a la estimación basada en imágenes satelitales que se sustenta en datos de campo de alta calidad extraídos de las encuestas.

Datos de teléfonos móviles para combatir la COVID 19

Tras el brote inicial de COVID-19, los Gobiernos comenzaron a implementar medidas normativas para reducir el contacto social y frenar la propagación del virus. Se cerraron muchos negocios no esenciales y se pidió u ordenó a los ciudadanos que se quedaran en sus hogares con el objetivo de salvar vidas y preservar medios de subsistencia. Si bien el desarrollo de una vacuna aún estaba en curso, estas intervenciones no farmacéuticas tuvieron un papel crucial en la lucha contra el nuevo coronavirus. Sin embargo, los encargados de la formulación de políticas enfrentaron dificultades para responder preguntas clave sobre su eficacia. Por ejemplo, ¿los impactos han variado con el tiempo y más allá de los límites del distrito? Y lo que es más importante, ¿los grupos vulnerables tienen menos capacidad que otros para cumplir con las regulaciones de distanciamiento social?

Los datos ofrecen algunas perspectivas. Específicamente, los datos recopilados a través de teléfonos móviles, como los registros de llamadas y los datos de ubicación del sistema de posicionamiento global (GPS), han sido extremadamente valiosos para cuantificar las variaciones en la movilidad humana, la densidad demográfica, los patrones de viaje y la mezcla de la población en tiempo real y en alta resolución, lo que permite orientar mejor las intervenciones en materia de políticas y mejorar el modelo epidemiológico. Poco después del inicio de la pandemia, varias empresas de tecnología a gran escala pusieron a disposición datos anónimos de ubicación para respaldar la recuperación y la respuesta ante la pandemia. Los informes de movilidad comunitaria de Google, el índice de movilidad de Facebook, los informes sobre las tendencias de movilidad de Apple, y los canales de datos proporcionados por Veraset, Unacast y Cuebiq son apenas algunos ejemplos de estas iniciativas.

Para tener una idea más acabada del impacto de la pandemia y las consiguientes políticas de distanciamiento social en la movilidad humana, hemos analizado los datos de localización por GPS con protección de privacidad de Veraset en los países en desarrollo. Por ejemplo, en Yakarta (Indonesia) concluimos que, tras la declaración del estado de emergencia, las familias que vivían en el 20 % de los vecindarios más ricos (“usuarios de altos ingresos”) incrementaron el tiempo que pasaban en sus hogares un 35 % más que las que viven en el 40 % de los vecindarios más pobres (“usuarios de bajos ingresos”), respecto del período prepandémico. Además, la proporción de usuarios de altos ingresos que se desplazaba a sus lugares de trabajo disminuyó en aproximadamente un 25 % más que la de los usuarios de bajos ingresos.

Estas conclusiones no son exclusivas de las ciudades de Indonesia y ponen de relieve un hecho simple: las políticas de confinamiento afectan a los ciudadanos de distinta forma. A los grupos vulnerables les resulta más difícil cumplir con las medidas de distanciamiento social por una gran variedad de razones, entre ellas la falta de capacidad familiar de ahorro, las deficiencias de la red de protección social o la inexistencia de una red de ese tipo, ingresos que dependen del contacto directo, las condiciones de hacinamiento y el acceso deficiente a los servicios básicos. Muchas de las personas más vulnerables se ven en la necesidad de elegir entre quedarse en sus hogares y renunciar a un ingreso, o salir a trabajar y exponerse a un gran riesgo potencial para la salud. Estas conclusiones también reflejan el hecho de que las medidas de movilidad detalladas y de alta frecuencia derivadas de los datos de los teléfonos móviles proporcionan a los responsables la formulación de políticas una herramienta útil para evaluar el impacto de la pandemia, sobre todo en los más vulnerables.

Además de la evaluación de las variaciones en la movilidad humana, los teléfonos móviles también han sido un componente fundamental de la estrategia de rastreo de contactos de los Gobiernos. Tanto las empresas privadas como los actores gubernamentales han desarrollado aplicaciones móviles de rastreo de contactos, como la aplicación Corona 100m en la República de Corea, TraceTogether en Singapur o COVIDSafe en Australia, con el objetivo de alertar a las personas que pueden haber estado en contacto con una persona infectada de COVID‑19. Aunque la medida en que el rastreo de contactos digitales ha contribuido a reducir la propagación del virus sigue siendo objeto de debate plantea importantes inquietudes sobre la protección de datos, lo que motiva a los investigadores de todo el mundo a desarrollar tecnologías de rastreo de contactos que preserven la privacidad. Algunos ejemplos son Private Kit: Safe Paths desarrollado por el Instituto de Tecnología de Massachusetts y el protocolo de rastreo de proximidad descentralizado para preservar la privacidad desarrollado por un consorcio de instituciones de investigación europeas.

Si bien los datos de los teléfonos móviles han desempeñado un papel clave para combatir la pandemia de COVID-19 permitiendo una evaluación rápida de los cambios en la movilidad humana y el rastreo de contactos, presentan limitaciones importantes relacionadas con la representatividad de la población. El uso de teléfonos inteligentes sigue siendo limitado en todo el mundo, sobre todo en las zonas rurales del mundo en desarrollo. Los datos recopilados de teléfonos móviles deben considerarse como un complemento y no como un sustituto de las encuestas para abordar los desafíos de desarrollo, como la pandemia de COVID-19 y otros que pueden surgir posteriormente.

De cara al futuro

La asignación de nuevos usos a los datos con fines públicos y privados, y la integración de dichos datos, tienen el potencial de mejorar el bienestar de nuestro planeta y de los hombres, mujeres y niños de todas las naciones. Para ello, los países deben fortalecer las inversiones en capital tecnológico y humano necesarias para las aplicaciones de frontera en la integración de datos. Se deben fomentar las asociaciones de datos entre los productores y usuarios de datos con fines públicos y privados para aumentar el acceso a los datos confidenciales, sin comprometer la privacidad. Estas medidas deben complementarse con inversiones en investigación sobre métodos, herramientas y estándares para el uso integrado de los datos con fines públicos y privados.