Con IA e imágenes satelitales podría estimarse la pobreza en México de forma más rápida y económica, propone investigación

Actualmente, la pobreza en México se mide mediante levantamientos socioeconómicos que permiten identificar a las personas con ingresos insuficientes y distintas carencias sociales. Aunque este modelo constituye la referencia oficial, los autores señalan que implica altos costos operativos, requiere largos periodos de trabajo de campo y enfrenta dificultades para recabar información en regiones con altos niveles de violencia o de difícil acceso. Estas limitaciones también reducen la capacidad de responder oportunamente ante crisis como la vivida durante la pandemia por COVID-19.

Frente a este panorama, los investigadores desarrollaron una base de datos multispectral que integra información obtenida mediante sensores satelitales para entrenar algoritmos de aprendizaje automático capaces de identificar patrones asociados con la pobreza municipal.

La base de datos incorpora información de los 2 mil 478 municipios de México y reúne cuatro indicadores geoespaciales: el Índice de Vegetación de Diferencia Normalizada (NDVI), la cobertura del suelo, la intensidad de las luces nocturnas y la presencia de cuerpos de agua. En conjunto, estas variables permiten aproximarse a aspectos como la actividad agrícola, el grado de urbanización, la disponibilidad de infraestructura, el acceso a electricidad y los recursos hídricos, factores estrechamente relacionados con las condiciones socioeconómicas de la población.

Para construir el conjunto de datos, el equipo utilizó Google Earth Engine, una plataforma de procesamiento masivo de información geoespacial que permitió integrar imágenes provenientes de misiones satelitales como Sentinel-2, VIIRS, ESA WorldCover y JRC Global Surface Water. El resultado es una base de datos de aproximadamente 90 gigabytes, acompañada por los scripts utilizados para generarla y disponible públicamente para que otros investigadores puedan reproducir y ampliar este tipo de estudios.

Como parte de la validación, los autores compararon las variables satelitales con las estimaciones oficiales de pobreza municipal publicadas por el entonces Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL) para el año 2020. Los resultados mostraron que los cuatro indicadores presentan correlaciones estadísticamente significativas con los niveles de pobreza y pobreza extrema, lo que respalda su utilidad como insumos para el desarrollo de modelos predictivos basados en inteligencia artificial.

Entre los hallazgos destaca que los municipios con mayor intensidad de iluminación nocturna tienden a registrar menores niveles de pobreza, mientras que variables como la cobertura vegetal, el tipo de uso del suelo y la disponibilidad permanente de agua también mantienen relaciones consistentes con distintos indicadores de desarrollo económico y social.

Los investigadores enfatizan que la intención no es sustituir las mediciones oficiales, sino ofrecer una herramienta complementaria que permita realizar estimaciones con mayor frecuencia, reducir costos y generar información en zonas donde el levantamiento de encuestas resulta particularmente complejo. Asimismo, la metodología podría facilitar la evaluación de políticas públicas, el monitoreo territorial y la atención más oportuna de comunidades vulnerables.

Además de su aplicación en la medición de la pobreza, la base de datos fue diseñada para entrenar tanto algoritmos tradicionales de aprendizaje automático como arquitecturas de aprendizaje profundo capaces de combinar imágenes satelitales y datos estadísticos. Al ser una metodología reproducible y escalable, los autores consideran que podrá adaptarse conforme se publiquen nuevas mediciones oficiales y extenderse a otros contextos geográficos, fortaleciendo el uso de la inteligencia artificial para el análisis del desarrollo social.