Machine learning para predecir escasez de alimentos

Un equipo compuesto por investigadores de varios países ha desarrollado un conjunto de modelos de machine learning que aseguran que podrán, a corto plazo, predecir escasez de alimentos. Gracias a ello podrán ayudar a los gobiernos y a diversas agencias y entidades internacionales a comprender dónde pueden ayudar mejor.

Los científicos encargados del desarrollo son miembros del Programa de alimentos del mundo, del Departamento de matemáticas de la Universidad de Londres y del Departamento de redes y ciencia de datos de la Universidad europea central. Todo utilizaron un «conjunto de datos único global» para el desarrollo de modelos de machine learning capaces de explicar hasta el 81% de las variaciones en el consumo insuficiente de alimentos.

Los modelos de machine learning desarrollados se basan en fuentes de datos indirectas de áreas como los precios de los alimentos, los indicadores macroeconómicos (incluido el PIB), el tiempo, los conflictos, la prevalencia de la malnutrición y otras tendencias de inseguridad alimentaria previas. La intención que se persigue con todo esto es que, con la ayuda de los modelos, se puedan crear previsiones a corto plazo. Las salidas que dan los modelos se han utilizado para crear un mapa del mundo que muestra las previsiones de inseguridad alimentaria a corto plazo, llamado HungerMap (Mapa del hambre).

Según el artículo publicado en Nature Food sobre estos modelos, y sobre la investigación en sí, el equipo que ha realizado el trabajo de investigación muestra «que los modelos propuestos pueden ofrecer un pronóstico a corto plazo de la situación de seguridad alimentaria, casi en tiempo real, y proponen un método para identificar qué variables están impulsando los cambios observados en las tendencias previstas, algo clave para que las predicciones sirvan a quienes toman las decisiones«.

En el artículo, los desarrolladores de los modelos también señalan que «la inseguridad alimentaria es un fenómeno más dinámico e inestable que la pobreza, con un componente estacional relacionado con los calendarios de producción agrícola, y sujeto a cambios rápidos cuando impactan situaciones de choque externas, por lo que requieren valoraciones frecuentes y rápidas. Esto abre la puerta a la predicción a corto plazo de la seguridad alimentaria a escala global, permitiendo que quienes toman las decisiones lo hagan de manera más precisa e informada en relación a políticas y programas orientados hacia la lucha contra el hambre«.

Los investigadores también han utilizado datos secundarios para predecir inseguridad alimentaria a largo plazo. Lo han hecho con información como la producción agrícola, modelos del clima y estadísticos de cosechas. Con todo, han hecho proyecciones hasta 2030 sobre los cambios de la producción de cultivos.

Los modelos se han desarrollado «a partir de una necesidad específica del WFP, cubren un hueco que hay debido a la inaccesibilidad y a los recursos limitados para ofrecer información de manera regular de los lugares menos accesibles, donde las valoraciones de la seguridad alimentaria se realizan solo una o dos veces al año, y que necesitan un flujo constante de información para comunicar las operaciones humanitarias«.

Sus autores señalan que cuando sus modelos predicen aumentos en la prevalencia de las personas con inseguridad alimentaria, entonces el Programa mundial de alimentos podría activar valoraciones rápidas, cara a cara o encuestas remotas, además de movilizar análisis en el país para conseguir comprender mejor la situación.