Combinando métodos de investigación de operaciones y Machine Learning para optimizar esfuerzos para solucionar los efectos a gran escala en la agricultura en respuesta a emergencias nucleares
Como parte del CRP D1.50.19 (Remediation of Radioactive Contaminated Agricultural Land), un estudio de investigación de doctorado comenzará en octubre de 2020 en el Centro Belga de Investigación Nucleares. La investigación contribuirá al desarrollo de herramientas que identifican y combinan daños agrícolas, factores ambientales y agroeconómicos, para la toma de decisiones sobre una futura producción agrícola en zonas afectadas por desastres nucleares.
Las emergencias resultantes de accidentes nucleares pueden afectar grandes áreas a través de la deposición de radionucleídos como yodo131, cesio-137 y estroncio-90. la recopilación de datos posteriores, la gestión de datos y la toma de decisiones puede volverse abrumador con los métodos tradicionales. Esto aumenta inevitablemente el tiempo de respuesta y reduce la determinación de las medidas. Además, durante tales eventos, la disponibilidad de recursos técnicos y financieros se convierte rápidamente en un factor limitante. Todo esto es particularmente aplicable cuando grandes superficies agrícolas y sistemas alimentarios se ven afectados.
Por lo tanto, una mejor predicción, en el espacio y el tiempo, en el impacto del accidente sobre la producción de los alimentos agrícolas y la futura usabilidad de la tierra agrícola es un tema clave. Además, existe la necesidad de optimizar los procesos de toma de decisiones posterior al accidente sobre dónde, cómo y cuándo remediar estos efectos. Todos estos problemas se enfrentan cuando se requiere facilitar el retorno de la producción agrícola a normalidad lo más rápidamente posible.
Usaremos Machine Learning (ML) para intentar mejorar las estimaciones de comportamiento temporal y espacial de Cs-137 en el medio ambiente. ML se ha convertido en el enfoque preferido para interpretar grandes conjuntos de datos espacio-temporales en términos de información funcional y toma de decisiones. Las técnicas ML no requieren condiciones previas estadísticas con respecto a la naturaleza de los datos en cuestión, ML es especialmente interesante en el contexto de eventos extremos, como un desastre nuclear.
Operations Research (OR) investigación de operaciones es la ciencia detrás de una decisión objetiva y toma sólida de decisiones, con algoritmos como la toma de decisiones de atributos múltiples, Multi Attribute Decision Making (MADM). El rango de posibles alternativas, para tomar la mejor decisión, se determina en función de un conjunto de criterios y pesos predefinidos. Estas prioridades facilitan la respuesta para la toma de decisiones a preguntas sobre dónde y cómo actuar primero para minimizar los daños generales para la sociedad y determinar el momento de volver a normalidad. OR no es nuevo en un contexto de desastre nuclear. En 2005, Fesenko aplicó la programación lineal para optimizar medidas de ordenación forestal después del accidente de Chernobyl.
El enfoque optimiza la selección de estrategias y prioriza las parcelas más importantes, basadas en el análisis de las principales vías de exposición y la aplicación de criterios radiológicos, socioeconómicos y ecológicos.
Sin embargo, la combinación de ML (para mejorar la predicción con grandes conjuntos de datos geográficos) y OR (para encontrar las ubicaciones, los métodos o el momento óptimos para remediar la contaminación radiactiva) es una vía prometedora para mejorar los sistemas de respuesta en caso de emergencias que afectan la agricultura y la seguridad alimentaria.
Resultados preliminares de un ejercicio MADM utilizando dos criterios, pérdida de ingresos del agricultor y contaminación de los productos agrícolas, se puede ver en la Figura 1 [1].
Figura 1. El MADM muestra todas las parcelas por clase de cultivo en el área de interés (arriba) y el 40% de las parcelas más importantes (abajo). El proceso MADM se basó en 2 criterios igualmente ponderados: pérdida de ingresos del agricultor y contaminación de los productos agrícolas. La interfaz muestra una forma interactiva de visualizar el porcentaje de parcelas mejor clasificadas
[1] Abrams, Sweeck, Fiengo, Camps, Dercon, Van Orshoven,
Combining machine learning and operations research methods for optimizing remediation efforts in response to large-scale nuclear emergencies affecting food and agriculture
Vol. 43, No. 1 July 2020
