Escrito por Sander Houston
La inseguridad alimentaria es una preocupación creciente debido a los conflictos provocados por el hombre, el cambio climático y las recesiones económicas. Predecir el estado de la inseguridad alimentaria es esencial para poder poner en marcha acciones tempranas. Para medir el estado real de la inseguridad alimentaria se utilizan actualmente enfoques basados en expertos y en el consenso, así como encuestas. Ambos métodos requieren mucho personal, tiempo y presupuesto. Joris Westerveld (actual científico de datos de TNO Defense, Security and Safety, anteriormente en 510 y la Universidad de Utrecht) fue el autor principal de un estudio sobre la inseguridad alimentaria. artículo revisado por expertospublicado en abril de 2021, que exploraba el uso del aprendizaje automático para predecir las transiciones en el estado de la seguridad alimentaria. Esta entrada de blog resume las principales conclusiones del estudio y destaca su relevancia para la comunidad de la acción anticipatoria. Otros autores son Marc van den Homberg, Gabriela Nobre, Dennis van den Berg, Aklilu Teklesadik y Sjoerd Stuit.
Modelo de aprendizaje automático
Este artículo presenta un modelo de aprendizaje automático para predecir el cambio mensual en el estado de la seguridad alimentaria en Etiopía, con una granularidad espacial de zonas de medios de subsistencia, y para plazos de uno a 12 meses, utilizando datos de código abierto. El cambio en el estado de la seguridad alimentaria está representado por las diferencias en los datos de la Clasificación Integrada de la Seguridad Alimentaria por Fases de un mes en comparación con otro.
Predecir la seguridad alimentaria
A partir de 19 categorías de conjuntos de datos, se obtuvieron 130 variables que se utilizaron como predictores de la transición en el estado de la seguridad alimentaria. Los predictores representan cambios en el clima y la tierra, el mercado, los conflictos, las infraestructuras, la demografía y las características de las zonas de subsistencia. Los predictores más relevantes son el historial de seguridad alimentaria y la humedad superficial del suelo. En general, el modelo obtiene los mejores resultados en la previsión de deterioros y mejoras en el estado de la seguridad alimentaria en comparación con otros algoritmos de aprendizaje automático y líneas de base.
El método propuesto rinde al menos el doble que el mejor modelo de referencia para un deterioro. El modelo obtiene mejores resultados en la previsión a largo plazo (7 meses) que a corto plazo (3 meses). La combinación del aprendizaje automático, las calificaciones de la Clasificación Integrada de Fases procedentes de los sistemas de vigilancia y los datos abiertos puede añadir valor a los enfoques existentes de previsión basados en el consenso, ya que esta combinación proporciona plazos más largos y actualizaciones más puntuales.
Resumen visual del documento.
Próximos pasos
"Me entusiasma que este proyecto muestre el beneficio añadido de utilizar AI y datos abiertos para ayudar y apoyar al sector humanitario. La Cruz Roja (o más en general: las organizaciones humanitarias) pueden ahora explorar formas de pilotar el modelo como parte de la seguridad alimentaria y/o la acción anticipatoria de la sequía y replicar el modelo a otros países, ya que la mayoría de los datos sobre los predictores también están disponibles para otros países"afirma Joris Westerveld, autor principal del estudio. "La 510 está muy satisfecha de que hayamos creado una base de pruebas científicas para nuestro modelo de previsión de la seguridad alimentaria. Esto nos permitirá apoyar mejor a las Sociedades Nacionales de la Cruz Roja que trabajan en la financiación de la inseguridad alimentaria basada en previsiones", afirma Marc van den Homberg, Director Científico de Datos para la Gestión de Catástrofes en 510. Leer el artículo completo aquí.
El vínculo con el proyecto de Financiación de la Seguridad Alimentaria basada en las previsiones
El modelo de previsión de "transiciones en el estado de la seguridad alimentaria" se elaboró en consonancia con el proyecto de Financiación de la Seguridad Alimentaria basada en Previsiones (F4S). El proyecto F4S concluyó en mayo de 2021 y su objetivo era desarrollar información que permitiera poner en marcha acciones tempranas para reducir el riesgo de inseguridad alimentaria en Etiopía, Kenia y Uganda. Para lograr este objetivo, el proyecto F4S centró sus desarrollos en torno a tres pilares: (1) Previsión de los factores clave de la inseguridad alimentaria, (2) Recopilación de pruebas locales y (3) Evaluación del mecanismo de transferencia de efectivo. Toda la información obtenida a través de los pilares de F4S intentaba abordar los retos inherentes a la toma de decisiones basada en información de previsión, con especial atención a la aplicación de transferencias de efectivo ex ante. "Lo que más me entusiasmó del proyecto F4S fue la oportunidad de vincular la ciencia y la práctica para aportar ideas sobre cómo diseñar y aplicar medidas tempranas desde la perspectiva de los beneficiarios, con el apoyo de análisis predictivos".afirma Gabriela Nobre, coordinadora del proyecto.
Si está interesado en saber más sobre cómo el proyecto F4S ha contribuido al desarrollo de nuevos conocimientos para la comunidad de la acción anticipatoria, consulte la página Informe final de F4S. El proyecto F4S nació de una asociación entre la Vrije Universiteit Amsterdam, la iniciativa 510 de la Cruz Roja de los Países Bajos, el Climate Hazard Center de la Universidad de California, Santa Bárbara, y la ICHA/Cruz Roja de Kenia. El proyecto recibió una subvención a través del World Bank Challenge Fund con fondos del Global Facility for Disaster Reduction and Recovery, el Foreign, Commonwealth & Development Office, y el Centre for Global Disaster Protection.
Fuente de la imagen: Cruz Roja de Uganda
