A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

Imagina que eres un detective tratando de resolver un misterio, pero en lugar de buscar huellas dactilares, buscas las huellas invisibles del clima en edificios antiguos. Este campo de la ciencia se encuentra en la intersección de la conservación del patrimonio (salvar edificios antiguos e importantes) y la tecnología predictiva (usar datos para adivinar qué pasará antes de que suceda). Durante mucho tiempo, la gente ha sabido que los edificios antiguos en lugares cálidos y húmedos se enferman. La "enfermedad" suele comenzar como un cambio de color—como una pared tornándose de un tono oscuro y húmedo o desarrollando manchas verdes vellosas. Estos cambios de color son la forma en que el edificio tose; ocurren mucho antes de que las paredes realmente se desmoronen.

Tradicionalmente, los expertos tienen que caminar con sus ojos y cámaras, adivinando dónde está el problema. Es como intentar encontrar una fuga en un techo mirando solo el techo después de que el agua ya ha caído. Pero, ¿y si pudiéramos darle al edificio un "smartwatch"? Ahí es donde entra el IoT (Internet de las Cosas): sensores diminutos que nos susurran constantemente sobre la temperatura y la humedad. Y, ¿qué pasaría si pudiéramos enseñarle a una computadora a escuchar esos susurros y a observar los colores del edificio al mismo tiempo? Ese es el poder de la IA (Inteligencia Artificial). La gran pregunta no es solo "¿Está enfermo el edificio?", sino "¿Podemos predecir la enfermedad antes de que comience, dándonos tiempo suficiente para repararlo?". Este artículo profundiza exactamente en eso, preguntando si podemos construir una bola de cristal digital para los edificios antiguos en los trópicos.

---

El Doctor Digital para Edificios Antiguos

En la ciudad húmeda y lluviosa de Semarang, Indonesia, tres edificios históricos se enfrentan a un enemigo silencioso: el clima. Estos no son cualquier tipo de edificios; son el Lawang Sewu (una oficina administrativa colonial), Pasar Johar (un mercado tradicional) y la Estación de Ferrocarril Tawang. Están hechos de ladrillo, yeso y madera, y están perdiendo lentamente su color y fuerza debido al calor y la humedad constantes.

Los investigadores, liderados por Hassan Gbran, decidieron construir un "Marco Híbrido de IA-IoT". Piensa en esto como darle a los edificios un equipo de dos detectives: uno es un equipo de detección (el IoT) y el otro es un cerebro (la IA).

El Equipo de Detección (El IoT)
Primero, desplegaron 16 nodos de sensores diminutos a través de los tres edificios. Estos sensores actuaron como un sistema nervioso, revisando constantemente el aire cada 15 minutos. Midieron la temperatura y, lo más importante, la Humedad Relativa (HR). En estos lugares tropicales, el aire es a menudo tan húmedo que se siente como una esponja. Los sensores rastrearon cuánto tiempo la humedad permaneció por encima del 85%, un nivel que es como una "zona de peligro" para estos materiales. Incluso crearon una puntuación especial llamada Factor de Estrés por Humedad (FSH), que es como un "medidor de estrés" que suma cuánta humedad ha soportado el edificio durante el último día, en lugar de solo mirar el momento actual.

El Cerebro (La IA)
Mientras los sensores estaban ocupados observando el clima, los investigadores tomaron miles de fotos de alta resolución de las paredes de los edificios. Utilizaron una técnica llamada fotogrametría para convertir estas fotos planas en gemelos digitales 3D. Luego, dividieron estos modelos 3D en millones de diminutos azulejos y analizaron los colores.

Utilizaron dos tipos de detectives de IA:

1. El Detective No Supervisado (Clustering Jerárquico): Esta IA observó los colores y los agrupó sin que se le dijera qué eran. Es como clasificar una bolsa de canicas mezcladas por color sin saber los nombres de los colores. Encontró grupos de "manchas de humedad", "áreas con moho" y "ladrillos normales".
2. El Detective Supervisado (Random Forest): Este es la estrella del espectáculo. Esta IA fue entrenada por expertos humanos que etiquetaron miles de azulejos como "moho", "manchas de sal" o "saludable". La IA aprendió a reconocer estos patrones. Crucialmente, esta IA no solo miró los colores; también miró el Factor de Estrés por Humedad de los sensores. Aprendió que si el "medidor de estrés" es alto, es probable que un cambio de color ocurra pronto.

El Gran Descubrimiento: Una Ventaja sobre el Desastre

Los resultados fueron impresionantes. La IA no solo identificó el daño; lo predijo.

• Precisión: La IA fue una muy buena detective. Identificó correctamente el tipo de daño en las paredes aproximadamente el 87% de las veces (una puntuación llamada F1). Cuando compararon el mapa de daños de la IA con el daño real, la IA fue entre un 17% y un 51% más precisa que el detective no supervisado trabajando solo. Esto demuestra que conocer el historial del clima ayuda a la IA a entender mejor los colores.
• El Factor de Estrés por Humedad: Los investigadores realizaron una prueba para ver qué pasaba si eliminaban los datos climáticos. El rendimiento de la IA cayó un 9.2%. Esto confirmó que el "medidor de estrés" (FSH) era la pista más importante. No se trata solo de qué tan húmedo está ahora mismo, sino de qué tan húmedo ha estado durante las últimas 24 horas.
• La Bola de Cristal (Tiempo de Anticipación): Esta es la parte más genial. El sistema pudo identificar un "evento de alto riesgo" (como un brote repentino de crecimiento de moho) de 4.8 a 16.7 horas antes de que la condición se materializara completamente en los datos de prueba. Sin embargo, el artículo es cuidadoso en notar que estos son tiempos de anticipación técnicos. Muestran que el sistema puede detectar las señales de advertencia temprano, pero el estudio no probó si los administradores de los edificios podrían realmente actuar sobre estas advertencias dentro de ese intervalo. Factores como la disponibilidad del personal, los ciclos presupuestarios y los protocolos de decisión no fueron evaluados, por lo que la capacidad de "repararlo antes de que comience el daño" sigue siendo una posibilidad teórica más que una realidad operativa probada.

Cómo Decidieron Qué Reparar Primero

Los investigadores no solo querían encontrar problemas; querían saber qué problemas importaban más. Crearon una Matriz de Prioridad. Combinaron el Puntaje de Riesgo (¿qué tan probable es que la pared se pudra?) con un Índice de Valor Patrimonial (¿qué tan importante es esta pared para la historia?).

• Alto Riesgo + Alto Valor: Esta es la "Zona Roja". Por ejemplo, la entrada principal de Lawang Sewu tenía un alto valor patrimonial y un riesgo moderado, lo que la convertía en una prioridad máxima.
• Alto Riesgo + Bajo Valor: Esta es la "Zona Técnica". El sótano de Lawang Sewu tenía una humedad y un riesgo muy altos, pero un valor histórico menor. Todavía necesitaba reparación, pero quizás no con la misma urgencia que el salón principal.
• Bajo Riesgo + Alto Valor: Esta es la "Zona de Vigilancia". Simplemente manténgalo bajo observación.

El Problema y el Futuro

El artículo es muy honesto sobre sus límites. La IA es un "plano", no una varita mágica que funciona en todas partes instantáneamente.

• Necesita ajuste local: El umbral de humedad específico (85%) puede funcionar en Semarang, pero una ciudad tropical diferente podría necesitar un número distinto. El modelo necesita ser "recalibrado" para nuevos lugares.
• Es una advertencia técnica, no una solución mágica: La IA puede decir: "¡Peligro en 12 horas!", pero no sabe si los administradores del edificio tienen el presupuesto o el personal para repararlo en ese tiempo. Esa parte aún depende de los humanos, y el estudio no evaluó la viabilidad operativa.
• Subjetividad: Aunque la IA es excelente detectando colores, decidir si un cambio de color es "moho" o simplemente "suciedad" todavía requiere de expertos humanos. Los investigadores utilizaron a tres expertos para acordar las etiquetas, pero todavía hay un poco de conjetura humana involucrada.

La Conclusión

Este estudio demuestra que podemos dejar de tratar a los edificios antiguos como pacientes que solo reciben ayuda cuando ya están muriendo. Al combinar sensores diminutos que observan el clima con una IA inteligente que observa los colores, podemos obtener una ventaja técnica de 4 a 16 horas para detectar condiciones de alto riesgo en sitios patrimoniales tropicales. Es un cambio de lo "reactivo" (reparar la pared rota) a lo "predictivo" (identificar el riesgo tempranamente). Aunque el sistema necesita más pruebas en otras ciudades, mejores sensores para el futuro y ensayos operativos en el mundo real para ver si los administradores pueden actuar ante las advertencias, ofrece una forma esperanzadora y basada en datos para mantener nuestra historia en pie ante un clima cambiante.