CRISTÓBAL JAMES ARDERNECHIARA ODETTA ROGATERHONDA LENAI JORDAN ANTOINE|29 DE ABRIL DE 2019
Como parte del impulso por el acceso universal a la electricidad, el Banco Mundial está haciendo un esfuerzo concertado para apoyar los sistemas y tecnologías más rentables para proporcionar electricidad a quienes más la necesitan. Una suposición implícita es que sabemos dónde están las personas que tienen y no tienen acceso a la electricidad y cómo la obtienen; a menudo no lo sabemos. Una nueva herramienta promete abaratar y agilizar la planificación de la electrificación mediante la predicción de las ubicaciones de la infraestructura y las conexiones existentes.
La falta de buenos datos pone a prueba la capacidad de cualquier comunidad para aprovechar la tecnología y los desarrollos modernos. Afortunadamente, los avances en la teledetección, el aprendizaje automático y los macrodatos están solucionando este problema. Hoy, dirigimos estas herramientas al problema de mapear poblaciones conectadas y los sistemas que las respaldan.
Una forma de rastrear el acceso a la electricidad es usar imágenes de ” luces nocturnas ” del satélite Suomi NPP. Este satélite cruza casi todos los puntos de la tierra alrededor de la 1:30 am hora local y toma fotografías de alta resolución que dan una idea de la cantidad de luz que se emite en todo el mundo. Este enfoque se ha utilizado antes para estimar el acceso a la electricidad en áreas remotas y guiar los programas de extensión de la red.
Uganda desde el cielo de noche, dominada por la ciudad de Kampala. Esta es la base para determinar qué áreas tienen acceso a la electricidad.
La hipótesis es que los lugares que aparecen de noche (después de que se eliminen las nubes, los reflejos y los incendios ) son asentamientos que tienen acceso a la electricidad y que es muy probable que su electricidad provenga de una red eléctrica. Esto supone que los pequeños sistemas fuera de la red no emiten suficiente luz para mostrarse, pero las redes eléctricas aisladas más grandes sí lo hacen.
Esto plantea una pregunta adicional: ¿dónde está la infraestructura eléctrica existente? Muchos países carecen de datos actualizados sobre estos activos, y los esfuerzos para mapearlos en el terreno pueden ser costosos y lentos. Ahora, por primera vez, una colaboración entre ESMAP , Facebook , KTH , WRI y la Universidad de Massachusetts Amherstha creado un algoritmo para estimar la ubicación de las infraestructuras de media tensión existentes.
Para ello, combina muchas imágenes mensuales de luces nocturnas y aplica un filtro para resaltar los puntos que son significativamente más brillantes que su entorno. Se asume que todo lo que está por encima de cierto umbral está conectado a la red. Esto se refina al combinar otros datos satelitales (como la capa de liquidación de alta resolución ) e incluye solo áreas con evidencia de actividad humana.
Un enfoque más simple podría conectar estos puntos electrificados con líneas rectas, pero este nuevo algoritmo va un paso más allá: asume que es más probable que las líneas de media tensión sigan (o sean seguidas por) carreteras, y que es más probable que sigan carreteras más grandes que pequeñas. Comienza en un solo punto electrificado y se extiende hacia el exterior, siguiendo las redes de carreteras donde sea posible, hasta que todos los puntos estén conectados por una red de líneas de cuadrícula. Este proceso se muestra en acción en la siguiente animación.
Animación que muestra el algoritmo en acción, encontrando ubicaciones de cuadrícula estimadas para Uganda.
Para este caso de prueba en Uganda, el resultado final se muestra en el siguiente mapa, donde el rojo es la cuadrícula pronosticada y el verde los datos reales de la cuadrícula . Las primeras pruebas han resultado en la identificación precisa de aproximadamente el 70% de las líneas de cuadrícula reales. Los falsos positivos (red predicha donde no la hay) son causados por luces nocturnas que no fueron captadas por los filtros, datos oficiales desactualizados o sistemas de energía independientes que no forman una red nacional. Los falsos negativos (líneas de cuadrícula reales que se pierden) a menudo son causados por pequeños pueblos que no emiten suficiente luz para ser reconocidos. Ambos se mejorarán con más refinamientos en el algoritmo, pero dependen en gran medida de las variaciones entre países y áreas. Por ejemplo, en países con muchas redes eléctricas aisladas, el algoritmo funciona mal y debe usarse con cuidado.
Comparación de datos de cuadrícula pronosticados (en rojo) y reales (verde) para Uganda. Donde se superponen, el algoritmo fue más preciso.
Es importante reconocer las limitaciones de este tipo de enfoque, y no hay sustituto para el conocimiento local y la encuesta sobre el terreno. Sin embargo, esta nueva herramienta brinda a los países y prestamistas la oportunidad de realizar primeras evaluaciones razonablemente detalladas y orientar mejor las intervenciones futuras. Por ejemplo, una de las formas más rentables de aumentar el acceso es la densificación de la red en áreas que ya están “debajo” de la red, pero esto es difícil de hacer a escala sin saber dónde están estas áreas.
Una herramienta de código abierto basada en este algoritmo está disponible en este repositorio de GitHub . Esto ya se ha utilizado para producir datos de cuadrícula para la mayor parte de África Oriental; algunas muestras están disponibles aquí . Su desarrollo se explica con más profundidad en ésta publicación de blog de Facebook , junto con el código central y resultados de salida adicionales .
Documento de investigación completo disponible en Nature SciData aquí : https://www.nature.com/articles/s41597-019-0347-4
