Google y el Laboratorio de Propulsión a Chorro (JPL) de la NASA desarrollaron un modelo de inteligencia artificial capaz de detectar y mapear emisiones de metano desde el espacio a escala global. La herramienta, denominada MAPL-EMIT, amplía la capacidad para identificar fuentes de uno de los gases de efecto invernadero con mayor impacto en el calentamiento del planeta.
Más allá del avance tecnológico, el proyecto plantea una cuestión relevante para la responsabilidad empresarial: ¿qué ocurre cuando una compañía utiliza sus capacidades para generar infraestructura de información que puede servir no sólo para gestionar su propia huella ambiental, sino también para que otras empresas, gobiernos e investigadores conozcan mejor el problema y actúen sobre él?
¿Cómo funcionan los nuevos mapas de metano?
El sistema MAPL-EMIT utiliza información obtenida por EMIT, un instrumento de la NASA instalado en la Estación Espacial Internacional. Este dispositivo captura observaciones hiperespectrales de la superficie terrestre, es decir, información que permite identificar características de los materiales a partir de cómo interactúan con diferentes longitudes de onda de la luz.
La inteligencia artificial combina esa información espectral con el contexto espacial de cada píxel. Así puede reconocer la forma característica de una columna de metano y seguirla hasta determinar su posible punto de origen.
Una de las ventajas del modelo es que también puede distinguir columnas que se superponen en zonas industriales densamente pobladas, un escenario especialmente complejo para los sistemas de detección.
¿Cómo entrenaron la inteligencia artificial?
Google y JPL entrenaron MAPL-EMIT con 3.6 millones de columnas de metano sintéticas generadas a partir de modelos físicos e incorporadas en observaciones reales de EMIT.
Las simulaciones contemplaron distintas variables, entre ellas:
- diferentes tasas de emisión;
- condiciones atmosféricas diversas;
- distintos entornos geográficos;
- columnas de metano con características variables.
El resultado es un modelo que puede analizar las observaciones de manera automatizada en lugar de depender exclusivamente de la inspección manual de las imágenes.
¿Qué tan efectivos son estos mapas de metano?
Las pruebas con observaciones reales muestran una diferencia importante frente a los métodos tradicionales. MAPL-EMIT detectó 84% de las columnas de metano identificadas previamente por expertos.
Pero el hallazgo más significativo apareció al ampliar el análisis. En aproximadamente 1,100 gránulos de datos de EMIT, el modelo identificó alrededor de 50% más columnas plausibles que los analistas humanos.
Cuando Google y JPL desplegaron el sistema a mayor escala, MAPL-EMIT encontró más de 23,000 columnas adicionales de metano en todo el mundo. También detectó emisiones en 24 de los 25 vertederos con mayores emisiones del planeta.
Estos resultados muestran que el valor de la IA no está únicamente en automatizar una tarea que antes realizaban especialistas. También puede ampliar el universo de emisiones que llegan a ser visibles.
¿Por qué es importante detectar el metano?
El metano tiene un potencial de calentamiento global aproximadamente 30 veces superior al del dióxido de carbono durante un periodo de 100 años. Además, se estima que ha contribuido con cerca de una cuarta parte del calentamiento global antropogénico desde el inicio de la era industrial.
Su importancia también está relacionada con su permanencia relativamente corta en la atmósfera. Por ello, reducir las emisiones de metano representa una de las vías disponibles para contribuir a desacelerar el calentamiento en el corto plazo.
El problema es que una parte de estas emisiones puede ser difícil de localizar. Esto ocurre particularmente en actividades como la producción de petróleo y gas, la gestión de residuos y otras operaciones industriales en las que pueden existir emisiones persistentes o fugas que no siempre son visibles mediante los métodos convencionales de monitoreo.
Una tecnología con límites que también deben transparentarse
Una mayor sensibilidad no significa que cada detección sea necesariamente una emisión confirmada. Los sistemas capaces de identificar señales más débiles también pueden producir falsos positivos, especialmente cuando trabajan sobre terrenos complejos.
Por ello, los resultados de MAPL-EMIT incorporan medidas de confianza e información sobre el ajuste espectral, lo que permite a los usuarios filtrar los resultados de acuerdo con el nivel de certeza que necesiten.
El modelo trabaja con una resolución de 60 metros, proporcionando estimaciones sobre el incremento de metano, los límites de las columnas y la posible ubicación de las fuentes. Sin embargo, su cobertura depende de dónde y cuándo EMIT realizó sus observaciones.
Factores como la nubosidad, las sombras y las superficies oscuras también pueden afectar el desempeño.
¿Cómo pueden utilizar las empresas estos mapas de metano?
Aquí aparece una de las principales implicaciones empresariales del proyecto. La tecnología puede contribuir a que las emisiones de metano de determinadas instalaciones sean más visibles y, por tanto, más susceptibles de ser investigadas, corregidas y verificadas.
Para empresas de petróleo y gas, gestión de residuos y otras industrias con potenciales emisiones relevantes, esta capacidad podría utilizarse para complementar sus sistemas internos de monitoreo.
Los datos también pueden ser útiles para:
- identificar fuentes persistentes que anteriormente no habían sido detectadas;
- priorizar inspecciones y acciones correctivas;
- complementar inventarios corporativos de emisiones;
- contrastar reducciones de emisiones reportadas por las empresas;
- proporcionar información adicional para evaluar riesgos ambientales y de transición;
- fortalecer procesos de verificación independiente.
Esto modifica también el entorno en el que las compañías reportan su desempeño ambiental. Cuanto más accesibles y precisos sean los datos externos sobre emisiones, menor será la dependencia de información exclusivamente autodeclarada.
Reguladores e investigadores también pueden beneficiarse
La utilidad de los mapas de metano no termina en las empresas que generan las emisiones. Una herramienta de alcance global puede convertirse en una fuente adicional de información para gobiernos y organismos reguladores.
Una identificación más rápida de posibles fuentes puede ayudar a orientar investigaciones, supervisar el cumplimiento de normas y determinar dónde resulta necesario intervenir.
Para investigadores, la disponibilidad de grandes volúmenes de información también abre posibilidades para estudiar la distribución geográfica de las emisiones y comprender mejor su comportamiento.
Google ha publicado la base de datos global de columnas detectadas a través de Earth Engine, además de una aplicación interactiva para visualizar la información. El modelo entrenado y los conjuntos de datos sintéticos están disponibles en Kaggle, mientras que las herramientas de inferencia fueron publicadas en GitHub.
La apertura de estos recursos es relevante porque convierte el desarrollo tecnológico en una infraestructura que puede ser utilizada por actores distintos de sus desarrolladores.
El siguiente desafío: pasar de detectar a reducir
La importancia de los mapas de metano aumentará conforme mejore la capacidad de observación desde el espacio. De acuerdo con la información proporcionada por Google, la NASA prepara una nueva generación de espectrómetros de imágenes que podría incrementar entre 30 y 50 veces la cobertura de observación.
El crecimiento de los datos plantea, sin embargo, un nuevo problema: procesarlos. Una cantidad de observaciones de esa magnitud difícilmente podría analizarse manualmente de manera eficiente.
Por eso, la inteligencia artificial adquiere un papel que va más allá de la velocidad. Puede convertirse en una capa de procesamiento capaz de transformar enormes cantidades de observaciones en información utilizable para tomar decisiones.
Pero detectar una emisión no equivale a eliminarla. El verdadero impacto dependerá de lo que ocurra después: si los operadores corrigen fugas, si los reguladores utilizan la información, si los inversionistas incorporan estos datos en sus análisis y si las reducciones pueden comprobarse de manera independiente.
Google y una RSE que genera soluciones para otros
El proyecto también permite observar una dimensión de la responsabilidad social empresarial que suele recibir menos atención: la capacidad de una compañía para desarrollar soluciones que trasciendan su propia operación.
Google tiene una responsabilidad directa sobre los impactos ambientales asociados con sus operaciones y cadena de valor. Sin embargo, colaborar con la NASA para desarrollar una herramienta que permita identificar emisiones de metano en instalaciones de todo el mundo amplía el alcance potencial de esa responsabilidad.
La diferencia está entre utilizar la tecnología únicamente para responder a las propias metas ambientales y utilizar capacidades empresariales —en este caso, inteligencia artificial, procesamiento de datos y desarrollo tecnológico— para contribuir a resolver un problema colectivo.
No significa que la tecnología sustituya las obligaciones ambientales de las empresas ni que el desarrollo de una herramienta elimine la huella de quien la crea. Significa que la RSE puede tener una dimensión adicional: generar bienes, datos o soluciones que permitan a otros actores actuar mejor frente a un desafío compartido.
En el caso de MAPL-EMIT, esa posibilidad resulta particularmente clara. Una observación obtenida desde la Estación Espacial Internacional puede convertirse, mediante IA, en información para una empresa que busca localizar una fuga, un regulador que necesita investigar una instalación o un investigador que estudia las emisiones globales.
La siguiente etapa será determinar cuánto de esa nueva visibilidad se convierte realmente en reducción de emisiones. Porque hacer visible el problema es un avance; utilizar esa información para modificarlo es lo que finalmente puede convertir la innovación tecnológica en impacto ambiental.
