El personal investigador va utilitzar tècniques d’aprenentatge automàtic explicables per modelar i comprendre els fluxos i patrons de desplaçament intern de la població a escala global basant-se únicament en dades observacionals proporcionades per col·laboradors del Centre de Monitorització del Desplaçament Intern (IDMC) de Ginebra, el centre de referència internacional en el monitoratge del desplaçament intern de poblacions a cada país. El treball demostra que els moviments de població es poden atribuir principalment a la combinació de males condicions domèstiques i precipitacions intenses. El treball aporta un mitjà per quantificar els desplaçaments i mitigar-ne els efectes a partir de dades, basant-se en la IA i en la inferència causal, procés d’identificar i entendre les relacions causa-efecte entre variables.

Gustau Camps-Valls, catedràtic del Departament d’Enginyeria Electrònica, i coordinador del grup ISP al Laboratori de Processament d’Imatges (IPL en les sigles en anglès) de la UV, explica que aquest estudi “evidencia la vulnerabilitat diferencial davant d’esdeveniments climàtics extrems. No totes les comunitats afronten els mateixos riscos, i quantifiquem aquestes diferències, cosa que proporciona una base sòlida per a estratègies de mitigació i adaptació basades en proves. Aquest estudi ho demostra en generar una base de dades única i metodologies innovadores d’IA i Causalitat, amb un gran potencial de contribuir a decisions informades”.

Pel que fa a les aplicacions pràctiques de l’estudi, Eva Sevillano apunta que aquesta metodologia i resultats “poden ser un punt de partida per avançar en estratègies d’adaptació i mitigació, cosa que permetrà a comunitats i responsables de polítiques construir solucions resilients i anticipar-se a identificar àrees vulnerables i comprendre els factors causals”.

Michele Ronco i José María Tárraga, líders tècnics de l’estudi i també investigadors de l’IPL, ressalten la importància de les metodologies emprades. Així, Ronco, primer signant de l’estudi, destaca: “La utilització de tècniques d’aprenentatge automàtic explicables ens va permetre desxifrar aquest puzle complex d’interaccions entre vulnerabilitat, exposició i desastres naturals. Això proporciona una comprensió més profunda dels impulsors del desplaçament poblacional”.

Per la seua banda, Tárraga ha destacat que els mètodes d’intel·ligència artificial explicables i causals han estat una eina essencial per analitzar situacions tan complicades d’abordar. “Això ens ha permès anar més enllà de les limitacions dels models paramètrics tradicionals”, ha destacat. A més, apunta “les dificultats” existents durant la investigació: “Reunir i combinar dades de factors tan heterogenis que descriguen les condicions mediambientals, climàtiques i socioeconòmiques a nivell global i la rellevància de comptar amb informació precisa i fiable en condicions climàtiques extremes van ser desafiaments significatius”. Maria Piles apunta també que la interacció amb agències humanitàries “ha estat constant i primordial per a l’avaluació dels resultats”.

Aquest estudi, recolzat per col·laboracions significatives i suport d’institucions com IDMC, de projectes europeus com DeepCube o XAIDA, i la Fundació BBVA, representa una fita en la comprensió dels desplaçaments poblacionals en el context d’esdeveniments climàtics extrems i aplana el camí per a estratègies de mitigació i polítiques més efectives i basades en dades. Les entitats locals, els experts i les organitzacions humanitàries confirmen que aquesta línia de recerca és molt necessària i de gran ajuda per a les seues activitats en el terreny.

Referència article: Michele Ronco, José María Tárraga, Jordi Muñoz, María Piles, Eva Sevillano Marco, Qiang Wang, Maria Teresa Miranda Espinosa, Sylvain Ponserre & Gustau Camps-Valls. «Exploring interactions between socioeconomic context and natural hazards on human population displacement». Nat Commun 14, 8004 (2023). https://doi.org/10.1038/s41467-023-43809-8