Interacción de los pájaros con los sistemas de paneles solares

El uso de inteligencia artificial y cámaras avanzadas ayudará a mejorar nuestra comprensión sobre cómo las aves interactúan con los conjuntos fotovoltaicos equipados con paneles solares.

A medida que se instalan más sistemas de energía solar en los Estados Unidos y otros países, los científicos están cuantificando los efectos que ello supone sobre la vida silvestre. Los métodos actuales de recolección de datos consumen mucho tiempo, pero el Laboratorio Nacional de Argonne del Departamento de Energía de los Estados Unidos (DOE) ha propuesto una solución. El laboratorio ha recibido 1,3 millones de dólares de la Oficina de Tecnologías de Energía Solar del DOE para desarrollar una tecnología que pueda monitorizar de forma efectiva las interacciones de las aves con la infraestructura solar.

El proyecto de tres años, que comenzó esta primavera, combinará técnicas de visión por computadora con una forma de inteligencia artificial (IA) para monitorear las instalaciones solares en busca de aves y recolectar datos sobre lo que sucede cuando estas pasan volando, se posan o colisionan con los paneles solares.

"Se especula sobre cómo las infraestructuras de paneles solares afectan a las poblaciones de aves, pero necesitamos más datos para comprender científicamente lo que está sucediendo", dijo Yuki Hamada, un científico de teledetección de Argonne, que dirige el proyecto.

Un estudio de Argonne publicado en 2016 estimó, basándose en los limitados datos disponibles, que las colisiones con los paneles fotovoltaicos en las instalaciones solares a escala de central eléctrica de EE.UU. matan entre 37.800 y 138.600 aves al año. Si bien esa es una cifra baja en comparación con las colisiones contra edificios y vehículos, que hacen caer a cientos de millones de aves anualmente, saber más sobre cómo y cuándo se producen esas muertes podría ayudar a prevenirlas.

"El trabajo de campo necesario para recoger toda esta información es muy intensivo en tiempo y mano de obra, y requiere que la gente camine por las instalaciones y busque los cadáveres de las aves", dijo Leroy Walston, un ecologista de Argonne, que dirigió el estudio. "Como resultado de ello, resulta bastante costoso".

Tales métodos también son limitados en frecuencia y alcance, y ofrecen poca información sobre el comportamiento de las aves vivas alrededor de los paneles solares.

El nuevo proyecto tiene como objetivo reducir la frecuencia de la vigilancia humana mediante el uso de cámaras y modelos informáticos que pueden recoger más y mejores datos a un menor costo. Lograr esto implica tres tareas: detectar objetos en movimiento cerca de los paneles solares, identificar cuáles de esos objetos son aves y clasificar eventos (como aves posadas, vuelos o colisiones). Los científicos también construirán modelos utilizando aprendizaje profundo, un método de IA que crea modelos inspirados en la red neural del cerebro humano, lo que permite "enseñar" a los ordenadores cómo detectar aves y comportamientos entrenándolos en ejemplos similares.

Movimiento de pájaros capturado en video. Una serie de pequeños fotogramas de vídeo se empleará para que un modelo informático aprenda qué aspecto tendría un pájaro. (Foto: Argonne National Laboratory)

En un proyecto anterior de Argonne, los investigadores entrenaron a los ordenadores para distinguir los drones que volaban por el cielo. El proyecto de estudio de la interacción entre aves y paneles solares se basará en esta capacidad, aportando nuevas complejidades, señaló Adam Szymanski, un ingeniero de software de Argonne, que desarrolló el modelo de detección de drones. Las cámaras de las instalaciones solares estarán inclinadas hacia los paneles en lugar de apuntar hacia arriba, por lo que habrá fondos más complejos. Por ejemplo, el sistema necesitará distinguir entre los pájaros y otros objetos en movimiento en el campo de visión, como las nubes, los insectos o las personas.

Inicialmente, los investigadores instalarán cámaras en uno o dos lugares de explotación de energía solar, grabando y analizando el video. Las horas de vídeo tendrán que ser procesadas y clasificadas a mano para entrenar el modelo de computadora.

Como las colisiones son relativamente raras, Hamada dijo que podrían simularse utilizando un objeto, como un pájaro de juguete, para que el sistema tenga información inicial para utilizarla como ejemplos de entrenamiento.

"El entrenamiento con modelos requiere una cantidad significativa de potencia de cálculo", dijo Szymanski. "Podremos usar algunas de las computadoras más grandes del Centro de Recursos de Computación del Laboratorio de Argonne para eso".

Una vez que el modelo esté adiestrado, se ejecutará internamente dentro de las cámaras en un video en vivo, clasificando las interacciones sobre la marcha, otro desafío que involucra computación avanzada, donde la información se procesa más cerca de donde se recoge.

"No tendremos el lujo de grabar mucho video, enviarlo al laboratorio y analizarlo después", añadió Szymanski. "Tenemos que diseñar el modelo para que sea más eficiente, para que pueda ser ejecutado en tiempo real en el lugar".

Al final del proyecto, Argonne habrá desarrollado un sistema de cámaras que puede detectar, monitorear y reportar las actividades de las aves alrededor de las instalaciones solares. El sistema también notificará al personal de las instalaciones solares cuando ocurran colisiones. La tecnología estará entonces lista para pruebas de campo a gran escala en muchas instalaciones solares, dijo Hamada.

Los datos resultantes podrían utilizarse para detectar patrones y comenzar a responder preguntas clave: ¿Son ciertos tipos de aves más propensos a las colisiones? ¿Aumentan las colisiones en ciertos momentos del día o del año? ¿La ubicación geográfica de los paneles solares juega un papel en los tipos de interacciones? ¿Proporcionan las instalaciones de energía solar un hábitat viable para las aves?

El marco tecnológico también puede utilizarse para vigilar otras especies silvestres mediante el readiestramiento de la IA con los datos adecuados.

"Una vez que se identifican los patrones, ese conocimiento puede utilizarse para diseñar planes de mitigación", dijo Hamada. "Más adelante, una vez que se haya establecido una estrategia de mitigación, se puede utilizar el mismo sistema para evaluar la eficacia de la estrategia". (Fuente: NCYT Amazings)