La contaminación del aire se ha convertido en una de las crisis de salud ambiental más urgentes en África, generando una serie de enfermedades que afectan a la población en diversas partes del continente. A pesar del compromiso de organizaciones como sensors.AFRICA, que han instalado cientos de sensores para monitorear la calidad del aire, el problema de la falta de datos se hace evidente. Las mediciones de PM2.5, que se refieren a las partículas con un diámetro menor o igual a 2.5 micrómetros, exhiben significativas lagunas. Esto se debe a la inestabilidad del suministro eléctrico y a la limitada conectividad en áreas de alto riesgo, donde el mantenimiento de los equipos es un desafío constante.
Estas interrupciones en los datos afectan el análisis de la calidad del aire, lo que puede llevar a conclusiones erróneas y a una evaluación inadecuada del impacto de la contaminación en la salud pública. La ausencia de información fiable compromete los esfuerzos para tomar decisiones basadas en evidencia, que son fundamentales para gestionar la contaminación del aire y garantizar el cumplimiento de normativas sanitarias.
Un avance significativo en este contexto es la implementación de Amazon SageMaker Canvas, una herramienta de aprendizaje automático que facilita el pronóstico de los niveles de PM2.5 a partir de datos incompletos. Dado que la exposición a estas partículas se asocia con millones de muertes prematuras en todo el mundo, contar con una herramienta que permita predecir su concentración se vuelve esencial.
La fortaleza de SageMaker Canvas radica en su capacidad de trabajar con datos incompletos de manera efectiva. A diferencia de los métodos tradicionales, que requieren conjuntos de datos completos para operar de manera óptima, esta plataforma puede ofrecer predicciones confiables incluso cuando hay vacíos en las mediciones. Esta característica asegura que las redes de monitoreo continúen funcionando adecuadamente, reduciendo el tiempo de inactividad y ofreciendo información constante sobre la calidad del aire. Esto es crucial para que agencias medioambientales y autoridades sanitarias tengan acceso a datos precisos, que les permitan emitir alertas sobre la contaminación y realizar análisis más profundos sobre las tendencias en calidad del aire.
La metodología de imputación de datos que se propone, utilizando Amazon SageMaker AI, AWS Lambda y AWS Step Functions, está diseñada para analistas medioambientales y funcionarios de salud pública que necesitan datos confiables de PM2.5 para sus análisis. Se basa en un conjunto de más de 15 millones de registros recopilados entre marzo y octubre de 2022 en diversas localidades de Kenia y Nigeria mediante 23 dispositivos de sensores en 15 ubicaciones.
Este enfoque no solo se centra en el análisis de los datos disponibles, sino también en identificar y rellenar las brechas producidas por limitaciones en los sensores y problemas de conectividad. Este esfuerzo se vuelve vital para fortalecer la respuesta a los desafíos emergentes relacionados con la calidad del aire y para facilitar decisiones informadas en el ámbito de la salud pública.
