Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

El aire que respiramos rara vez está quieto. Incluso en los rincones más remotos del mundo, nubes invisibles de humo, polvo y gases se desplazan a través de las fronteras, transportadas por el viento y el clima. Aunque a menudo pensamos en la contaminación del aire como un problema confinado a las ciudades bulliciosas y las zonas industriales, estos contaminantes viajan lejos, asentándose en lugares salvajes donde pueden dañar a las plantas, los animales y el delicado equilibrio de la naturaleza. Para los gestores de vastas tierras protegidas, saber dónde son más fuertes estas amenazas invisibles es difícil. No pueden simplemente colocar un sensor en cada colina o río, y el clima cambia demasiado rápido para que los juegos de adivinación de la vieja escuela funcionen. Para resolver esto, los científicos están recurriendo a una poderosa combinación de herramientas: ojos satelitales que ven todo el planeta, mapas digitales que organizan esa visión y programas informáticos inteligentes que aprenden de los patrones para predecir el futuro.

En un estudio reciente centrado en el Parque Nacional Kruger de Sudáfrica, los investigadores utilizaron este kit de herramientas moderno para crear un mapa detallado de la vulnerabilidad a la contaminación del aire. El Kruger es una de las mayores reservas de caza de África, una extensión salvaje de casi 20.000 kilómetros cuadrados donde elefantes, leones y rinocerontes deambulan libremente. El parque no está aislado del mundo; se encuentra cerca de asentamientos humanos y zonas industriales, lo que significa que está sujeto a contaminantes que llegan desde el exterior. Los investigadores querían comprender qué partes de este enorme parque corren más riesgo por la contaminación del aire y qué factores las hacen vulnerables. No dependieron de un solo método, sino que construyeron un sistema que combinó datos satelitales sobre la vegetación, la lluvia y la temperatura con mediciones de gases específicos como el dióxido de nitrógeno y el dióxido de azufre. Luego, introdujeron esta información en tres tipos diferentes de modelos de aprendizaje computarizado para ver cuál de ellos podía predecir mejor dónde sería un problema la contaminación.

El equipo recopiló datos desde el espacio, utilizando satélites para rastrear desde la densidad de la vegetación verde hasta la concentración de gases nocivos en la atmósfera. Observaron cuánta lluvia cayó, cuánto calor hizo y cuánto metano y monóxido de carbono estaban presentes. Al superponer toda esta información, crearon una imagen digital del entorno del parque. Luego entrenaron sus modelos informáticos para reconocer las señales de la contaminación. Un modelo, llamado Random Forest (Bosque Aleatorio), funciona construyendo muchos árboles de decisión pequeños y pidiéndoles que voten la respuesta. Otro, el Gradient Boosting Machine (Máquina de Potenciación del Gradiente), aprende corrigiendo sus propios errores paso a paso. El tercero, un Support Vector Machine (Máquina de Vectores de Soporte), intenta encontrar la mejor línea para separar las áreas limpias de las contaminadas. El objetivo era ver cuál de estos enfoques podía identificar con mayor precisión las áreas donde es más probable que la calidad del aire sea deficiente.

Los resultados mostraron que los modelos informáticos fueron bastante exitosos al mapear las amenazas invisibles. El modelo Gradient Boosting Machine demostró ser el más preciso al clasificar correctamente los datos, obteniendo la respuesta correcta aproximadamente el 76 por ciento de las veces. El modelo Random Forest fue ligeramente menos preciso en esa medida específica, pero fue excepcionalmente bueno distinguiendo entre diferentes niveles de riesgo, una cualidad que es crucial para la toma de decisiones detalladas. El tercer modelo, el Support Vector Machine, funcionó bien pero no fue tan fuerte como los otros dos. Los tres modelos coincidieron en el patrón general: las partes sur y centro-sur del parque, particularmente cerca de los ríos Crocodile y Sabie, son las más vulnerables. Estas áreas mostraron concentraciones más altas de dióxido de nitrógeno y dióxido de azufre, gases que suelen estar vinculados a la quema de combustible y la actividad industrial. Los modelos también revelaron que estos dos gases eran los factores más importantes para predecir dónde sería un problema la contaminación, más que la cantidad de lluvia o la densidad de los árboles.

Lo que hace que este hallazgo sea significativo es que confirma que la contaminación no es solo un problema de las ciudades. El estudio sugiere que, incluso en un lugar salvaje como el Kruger, la calidad del aire está fuertemente influenciada por la actividad humana lejana, transportada por el viento. Los investigadores encontraron que las áreas con mayor riesgo no son aleatorias; se agrupan alrededor de valles fluviales específicos y los bordes meridionales del parque, donde el viento suele transportar contaminantes de pueblos y carreteras cercanas. Los modelos informáticos también destacaron que la vegetación juega un papel complejo. Si bien los bosques densos a veces pueden absorber la contaminación, los datos mostraron que las áreas con verdor denso estaban a menudo correlacionadas con niveles más altos de ciertos gases, probablemente porque estas áreas también están más cerca de las fuentes de contaminación. Este matiz es algo que la observación simple podría pasar por alto, pero los modelos informáticos lo captaron claramente.

El resultado final de este trabajo es un conjunto de mapas de alta resolución que dividen el parque en cinco categorías, que van desde la vulnerabilidad muy baja hasta la muy alta. Estos mapas muestran que aproximadamente una quinta parte del parque cae en la categoría de mayor riesgo, mientras que otra quinta parte se encuentra en la categoría de riesgo muy bajo. El punto medio, donde el riesgo es moderado, cubre la mayor parte del territorio. Estos mapas no son solo imágenes; son herramientas prácticas para los gestores del parque. Al saber exactamente dónde es más probable que el aire sea tóxico, los guardaparques y conservacionistas pueden centrar sus esfuerzos de monitoreo, planificar los incendios con más cuidado y proteger la fauna sensible en las áreas que más lo necesitan. El estudio sugiere que este enfoque de combinar datos satelitales con aprendizaje computarizado inteligente puede ser un factor de cambio para proteger grandes áreas silvestres, ofreciendo una forma de ver lo invisible y actuar antes de que se produzca el daño.

La investigación también se conecta con objetivos globales para el planeta. Al proteger la tierra y su aire, el estudio apoya los esfuerzos para mantener ecosistemas saludables, lo cual es una parte clave de los objetivos globales de sostenibilidad. También aborda la acción climática, ya que los mismos patrones meteorológicos que mueven la contaminación también impulsan el cambio climático. Aunque el estudio no midió la salud de las personas que viven cerca, proporciona los datos ambientales necesarios para entender cómo se mueve y se asienta la contaminación, lo cual es el primer paso para proteger tanto a la fauna como a las comunidades humanas. El trabajo demuestra que, incluso en un lugar tan vasto y salvaje como el Kruger, la ciencia puede proporcionar una visión clara de los desafíos que enfrenta la naturaleza, convirtiendo datos complejos en una guía sencilla y accionable para la conservación. Los mapas producidos son un testimonio de la idea de que, con las herramientas adecuadas, podemos ver las amenazas a nuestro mundo natural con la claridad suficiente para detenerlas.