Guía para disfrutar de las Perseidas 2021
Astronomía, divulgación, descubrimientos, ecología, innovación...
MACHINE LEARNING
Un trabajo internacional con participación de los científicos Josep Peñuelas y Jordi Sardans, del Consejo Superior de Investigaciones Científicas (CSIC) y del Centro de Investigación Ecológica y Aplicaciones Forestales (CREAF), ha desarrollado un modelo para predecir, a partir de datos satelitales de contaminación por dióxido de nitrógeno, la eficacia del confinamiento para frenar epidemias como la covid-19.
A través de este modelo se puede predecir cómo se aceleran los contagios cuando se levantan las medidas de confinamiento. Por lo tanto, la información permite optimizar el tiempo y la intensidad de la implementación de intervenciones no farmacéuticas, y mejorar la efectividad de control de la covid-19 y en general de las pandemias.
A través de este modelo se puede predecir cómo se aceleran los contagios cuando se levantan las medidas de confinamiento
Josep Peñuelas, investigador del CSIC y del CREAF explica que “mejora significativamente las predicciones hasta ahora usadas por la OMS y otras organizaciones gubernamentales y no gubernamentales”.
“Tal como hemos visto en el trabajo, en el invierno de 2020 a 2021, cerca de un millón de casos diarios de covid-19 se podrían haber evitado si se hubieran optimizado los tiempos y los niveles de restricción del confinamiento”, comenta Rong Wang, científico de la Universidad de Fudan (China) y coordinador de esta investigación.
La investigación se publica en la revista PNAS y ha contado con la participación de una veintena de centros de investigación internacionales. Se trata de un trabajo interdisciplinar, con especialistas en contaminación atmosférica, economía, epidemiología, análisis de datos e inteligencia artificial.
Los científicos han aplicado técnicas de aprendizaje automático que permiten seguir como se reduce la actividad económica monitorizando en tiempo casi real los niveles de NO2
Los científicos han aplicado técnicas de aprendizaje automático que permiten seguir como se reduce la actividad económica monitorizando en tiempo casi real los niveles de dióxido de nitrógeno (NO2) en la atmosfera.
Arriba, niveles de No2 durante las primeras cuatro semanas tras el primer brote; debajo, niveles durante las últimas semanas del estudio, entre octubre y noviembre de 2020. / CSIC
Para entrenar el modelo, se han introducido y comparado los niveles de NO2 observados por los satélites en las semanas de confinamiento tras el brote de COVID en 2020, con los de las mismas áreas en los años 2016 a 2019.
Las observaciones cubren 211 áreas geográficas, de las cuales 31 son provincias en China, 51 son estados de los EE.UU. y 129 países de Europa, Asia, Medio Este, África y Latinoamérica. Esos datos se han correlacionado con los números de contagios en cada una de esas áreas en las semanas de confinamiento y las posteriores, en las que se levantaron las medidas.
Además, los cálculos se han ajustado para tener en cuenta variables meteorológicas, ambientales y sociales que pueden influir tanto en los niveles de NO2 como en la dispersión de los contagios, y que no están relacionados con la actividad económica.
Los cálculos se han ajustado para tener en cuenta variables meteorológicas, ambientales y sociales
El modelo resultante puede predecir la desaceleración en los contagios en las 211 áreas a partir de las observaciones de NO2 y los 10 indicadores ambientales y socioeconómicos más determinantes. En ese sentido, también permite ver otros posibles resultados en función de las medidas implementadas.
“Sabíamos que medidas no farmacológicas como el confinamiento son efectivas para contener las epidemias como la de la covid-19, pero aún nos faltaba una evaluación cuantitativa de la efectividad y el momento adecuado de aplicación de estas intervenciones en diferentes regiones del mundo”, concluye Jordi Sardans del CREAF.
Referencia:
Xiaofan Xing et al. “ Predicting the effect of confinement on the COVID-19 spread using machine learning enriched with satellite air pollution observations”. PNAS.