La industria de las energías renovables ha experimentado un crecimiento significativo en todo el mundo explicado por la baja en los costos de su generación en la última década . Según la Agencia Internacional de Energías Renovables (IRENA), el paso a energías limpias podría hacer que se cumpla con el 90% de las metas del Acuerdo de París de reducción de emisiones de esta industria. La Argentina cuenta con un gran potencial solar y eólico para generar energía de estas fuentes.

La generación de energías renovables fue aumentando progresivamente en el país desde la sanción de la ley 27.191 en 2015 . En cuatro años pasaron de representar un 2% de la matriz energética a un 8%, explicado especialmente por el crecimiento de la solar y la eólica. Sin embargo y pese a su cuadruplicación las metas establecidas por la ley no se cumplieron en 2019 donde se esperaba alcanzar un 12%.

A principios del año 2016, la Argentina lanzó un programa llamado Renovar, un programa de abastecimiento de energía eléctrica a partir de fuentes renovables . Con el compromiso de cubrir el cambio climático y con el objetivo de enriquecer nuestras notas periodísticas e incorporar nuevas tecnologías LA NACION Data se propuso utilizar inteligencia artificial para mapear los parques solares del país y monitorear su desarrollo. Utilizando machine learning y, en conjunto con Dymaxion Labs, se entrenó un algoritmo para detectar parques solares con imágenes satelitales a lo largo del país . En total se procesaron 7.000.000 imágenes y se analizaron 2.780.400 km2.

Haciendo uso del algoritmo LA NACION Data logró mapear 20 parques solares en el país que están en pleno funcionamiento y detectar dos parques solares privados más, uno en Santa Fe y otro en San Luis. El parque solar Cauchari en Jujuy, si bien ha sido inaugurado en octubre de 2019, aún no comercia energía y, por consiguiente, no está en la lista de parques solares que actualmente están en pleno funcionamiento. Sin embargo, fue incluido en este mapa dado que es el más grande de la Argentina.También fueron incluidos cinco parques de menor tamaño que no fueron detectados por el algoritmo. De acuerdo con fuentes oficiales, hasta febrero eran 24 los parques solares licitados en el contexto de Renovar en funcionamiento con una capacidad instalada de 446,81 MW.

Metodología de la investigación

Para monitorear el estado de las construcciones se uso machine learning, un subgrupo de inteligencia artificial. La inteligencia artificial usa algoritmos -un procedimiento por etapas para resolver problemas- para permitir que las máquinas aprendan de la experiencia, se ajusten a nuevas entradas y realicen tareas de la misma forma en que lo hacen los seres humanos. Entre los diversos campos en los que se divide la inteligencia artificial, la visión por computadora ( computer vision ) analiza el procesamiento de imágenes digitales mediante el uso de algoritmos matemáticos para deducir qué contenido se muestra. Esta fue la empleada para elaborar el mapa de los parques solares licitados en el marco del programa Renovar.

El objetivo fue explorar el desarrollo de Renovar en todo el país, la potencia de computación necesaria para analizar estos datos requiere un hardware avanzado y recursos de computación en la nube. LA NACION Data se asoció con Dymaxion Labs , una empresa experta en el procesamiento de datos geoespaciales y en el uso avanzado de técnicas de aprendizaje automático.

Sobre la replicabilidad de este análisis, Federico Bayle, CEO de Dymaxion Labs, dijo: “Los mayores desafíos se concentran en dos puntos claves: la escala y la representatividad de la muestra. El API de Dymaxion Labs resuelve el problema de la escala de manera eficiente. Tomar una muestra de datos de la geografía que se quiere analizar garantiza la representatividad. Asimismo, contar con imágenes de mayor resolución mejoraría los resultados, permitiendo detectar áreas más pequeñas”. Cabe destacar que en este mapa usa imágenes de Planet Labs, pero el estudio fue realizado con las de Sentinel 2.

Uno de los mayores desafíos en el mapeo de los parques solares usando imágenes satelitales es su similitud con las granjas. Para resolver esto, usamos imágenes infrarrojas.

Algunas consideraciones

En total, se usaron 10.999 imágenes para entrenar el modelo, el 70% de ellas no eran parques solares. De este total, solamente 1222 se usaron para evaluar los resultados (el algoritmo no uso las imágenes para aprender los patrones). Con el API (interfaz entre programas diferentes que facilita la interacción humano-software), provisto por Dymaxion Labs e implementado en la plataforma de Google Cloud, el proceso de entrenamiento duró 30 horas y activó 30 nodos de procesamiento gráfico (GPU). La precisión del algoritmo fue del 94%.

La metodología utilizada para desarrollar el algoritmo se encuentra en este sitio web .

(*) Mathias Felipe , periodista e investigador del proyecto europeo JOLT en la Universidad de Navarra

Fuente: La Nación