La incertidumbre en los gases de efecto invernadero no es una nota formal que se añade junto al resultado. Las causas y la magnitud del error al calcular las emisiones de carbono influyen en qué datos conviene completar y qué decisiones se pueden tomar con los resultados actuales. El capítulo 7 de Tecnología y soluciones para demostrar la reducción de carbono propone analizar conjuntamente la incertidumbre de las mediciones, las muestras y los modelos.
Primero, definamos el concepto y el alcance de aplicación
Las causas de la incertidumbre pueden ser distintas. Hay que examinar por separado el rendimiento de los equipos, la representatividad espacial y temporal, los datos de actividad y los factores de emisión, y los supuestos del modelo. Mejorar la precisión de una parte no reduce el error total en la misma proporción. Al presentar los resultados, hay que dejar constancia de cómo se calculó el rango y de los supuestos adoptados. El análisis de sensibilidad, la incertidumbre estadística y el tratamiento conservador que exija un régimen no deben usarse como si fueran el mismo concepto. El criterio para invertir en mejoras consiste en determinar qué cambios pueden modificar realmente la decisión.
Una línea base basada en factores de emisión también es una opción. El Nivel 1 del IPCC utiliza factores predeterminados; el Nivel 2 para la fermentación entérica incorpora con más detalle las características de la alimentación y el manejo, la ingesta bruta de energía y la tasa de conversión de metano, entre otros elementos. Los factores medios pueden no captar bien el efecto de una tecnología en una explotación concreta, pero utilizar factores no hace que la compensación sea inadecuada por sí mismo. El criterio es comprobar si se han utilizado factores y datos de actividad permitidos por la metodología aplicable, y si se han verificado las condiciones de aplicación, el tratamiento de la incertidumbre y los resultados.
Qué incertidumbre predomina depende de las condiciones de medición. En establos con ventilación natural, la contribución de la estimación del caudal de ventilación y de la representatividad espacial puede ser grande; al medir pequeñas diferencias de concentración, pueden ser cruciales la repetibilidad, la deriva y la corrección de fondo del equipo. Primero se elabora un presupuesto de incertidumbre y se comparan el coste de reducir cada componente y la mejora que ello aporta a la decisión final. Los sensores más caros o una muestra más amplia no siempre son la mejor inversión.
Las cantidades reducidas requieren tanto trazabilidad metrológica como trazabilidad de los cálculos. Los valores medidos se vinculan con un patrón mediante una cadena documentada de calibración y su incertidumbre; los datos de actividad, los factores de emisión y los modelos se siguen hasta el resultado final mediante sus fuentes, versiones y condiciones de aplicación. No todas las reducciones proceden de una medición directa única. Quien revisa debe comprobar que el cálculo se pueda reproducir y que los datos y métodos utilizados sean adecuados para la declaración.
La concentración es la proporción de gas en el aire; la tasa de emisión es la masa emitida por unidad de tiempo. Para medir o estimar la cantidad emitida, hay que combinar la concentración y el caudal con un modelo de medición adecuado al propósito. Aunque baje la concentración, no se puede afirmar que la tasa de emisión másica cambie en la misma dirección si ha aumentado el movimiento del aire. Al convertir una tasa de emisión variable en el tiempo en una cantidad total, también hay que definir el periodo de medición y cómo se tratan los intervalos ausentes.
Una vía realista de avance consiste en acumular conjuntamente observaciones de concentración y mediciones de referencia de las tasas de emisión, y conectarlas con información sobre ventilación, meteorología, número de animales y alimentación. Los errores de predicción deben evaluarse en explotaciones y periodos no utilizados para desarrollar el modelo, y se debe especificar el ámbito de aplicación. Aunque aumenten los datos de observación simultánea, la confianza en el modelo no mejora automáticamente si la muestra no es representativa o presenta sesgos comunes.
Condiciones y límites de aplicación sobre el terreno
Supongamos un proyecto en el que los sensores son precisos, pero la estimación del caudal de ventilación carece de una base sólida. Hay que evaluar cuánto aumenta la fiabilidad de los resultados al instalar sensores adicionales y si ese aumento justifica el coste. Si la principal fuente de error se encuentra en otro punto, aumentar el número de equipos quizá no mejore mucho la decisión. La inversión en mejoras debe dirigirse a los factores que más contribuyen al error.
El infrarrojo no dispersivo (NDIR) utiliza la absorción de infrarrojos por el metano. No presenta la dependencia del oxígeno ni el envenenamiento del catalizador propios, por ejemplo, de los sensores de combustión catalítica, pero tampoco está libre de los efectos de la contaminación óptica, la temperatura, la presión y la humedad. No se debe concluir que sea adecuado para el monitoreo prolongado en explotaciones solo por su principio de funcionamiento; hay que comprobar, para cada producto, si el límite de detección, la repetibilidad y la deriva son suficientes en relación con las concentraciones previstas y las diferencias entre el interior y el exterior.
Al comparar sensores, hay que comprobar conjuntamente el rango de medición y la resolución, la sensibilidad cruzada a otros gases, el tiempo de respuesta y la deriva. También deben examinarse las condiciones ambientales —como la temperatura, la humedad y el polvo— y los requisitos de calibración. Si el propósito exige distinguir pequeñas diferencias de concentración, hay que analizar, para cada producto y modo de operación, si las unidades de presentación y la incertidumbre del equipo son adecuadas. El nombre del principio del sensor no puede sustituir esta evaluación.
La IA puede ayudar a detectar posibles anomalías, estimar periodos breves de datos ausentes en condiciones definidas y explorar relaciones entre múltiples variables. También puede facilitar la organización de datos, los controles de calidad y la preparación de borradores de informes. Como el propósito y el coste de los fallos difieren entre funciones, no se deben evaluar todas con el mismo indicador de rendimiento. Hay que indicar con qué entradas y supuestos se generó cada resultado y distinguir los valores estimados de los observados directamente.
Pruebas necesarias para evaluar una inversión
Los inversores deben distinguir si el rango comunicado representa incertidumbre estadística, un escenario del proyecto o un ajuste conservador exigido por el régimen. Si se tratan conceptos distintos como un único porcentaje de descuento, su significado se desdibuja. Mostrar decimales precisos no compensa la baja calidad de los datos de entrada.
Los datos de evaluación de la IA deben organizarse según el propósito de uso. Para predecir el funcionamiento futuro, conviene respetar el orden temporal; para desplegar el modelo en otras explotaciones, se debe considerar la separación por explotación. También hay que separar los datos utilizados para seleccionar el modelo de los destinados a la última comprobación de rendimiento. Se compara el modelo con una referencia sencilla y se revisan no solo los errores medios, sino también los sesgos por explotación y estación, y las condiciones de fallo; así se puede explicar el ámbito de uso real.
También hay que especificar qué hacer si se produce un fallo. Si la calibración ha caducado, se pierden datos de comunicación o se presentan condiciones de alimentación, estación o ventilación que no se evaluaron, se limita la salida o se suspende su uso y se deriva el caso a una persona responsable. No se debe volver a utilizar el modelo inmediatamente después de reentrenarlo. El modelo modificado debe comprobarse con datos de evaluación independientes, y se registran la fecha de aplicación y la persona que lo aprobó. El apoyo a las decisiones mediante un modelo y la verificación externa de las cantidades reducidas son tareas distintas.
Criterios que conviene mantener al decidir
Gestionar la incertidumbre no consiste en recopilar tantos números como sea posible. Es un proceso para identificar las entradas sensibles a la conclusión y comparar el valor y el coste de completar los datos. Hay que poder explicar el rango de resultados y los límites de su uso para que quienes revisan puedan concretar sus decisiones.
Sobre el autor
Bongjun Lee se graduó de la Escuela de Posgrado de Gestión de Tecnología (MOT) de Sogang University. Trabajó durante 27 años en el campo de la medición de gases, incluidos 7 años en Infitron Co., Ltd. y 20 años en Honeywell, desempeñando funciones de ingeniería de servicio, ventas técnicas y gestión de canales. Actualmente, como fundador de AI Safety Korea Co., Ltd., investiga el monitoreo de metano en la ganadería y los sistemas de medición, presentación de informes y verificación (MRV) mediante sensores, IA y análisis de datos.