Autores

Carlos Albaladejo Padilla, Responsable de Inteligencia Artificial y Desarrollo GIS, MOVISAT
Antonio González Bolaño, Chief Technical Officer, MOVISAT
Miguel Miñano Núñez, Responsable de Innovación, MOVISAT

Resumen

La sensorización en el ámbito de la recogida de residuos trae consigo la modernización de los servicios de limpieza urbana y su incorporación como pieza clave al ecosistema Smart City. La posibilidad de analizar datos históricos de pesaje, volumétricos, consumo de vehículos, etc., cruzarlos con datos abiertos de las plataformas Smart City y aplicar algoritmos de Machine Learning sobre ellos cambia el paradigma de monitorización de la actividad: mientras que el objetivo de la planificación en el presente se limitaba a optimizar la ejecución de las actividades de limpieza y recogida de residuos, ahora es posible adelantarse y predecir la generación para asegurar un servicio de calidad, por un lado, y aportar conocimiento de valor para el ciudadano y el gobierno de la ciudad por otro. En el nuevo planteamiento, el origen deja de ser el contenedor para convertirse en el hogar, el negocio o el comercio, y el final ya no es el vertedero, sino el conocimiento derivado de los datos. La introducción de sensores y el tratamiento de datos supone cambios en todos los aspectos de la actividad: planificación de rutas con cambios dinámicos estacionales, optimización de itinerarios siguiendo modelos de VRP (Vehicle Routing Problem), introducción de indicadores de servicio relacionados con variables socio-demográficas geolocalizadas, evaluación de infraestructura a nivel geográfico, simulación de distintos escenarios, estimación de campañas de concienciación, detección de vandalismo sobre el mobiliario, etc. La innovación y la inteligencia en las plataformas de Smart Waste Management se vuelven imprescindibles para una correcta toma de decisiones por parte de los gestores y un crecimiento sostenible del tejido urbano.

Palabras clave

Recogida de Residuos, Optimización, Datos, Innovación, Inteligencia Artificial, Integración, Smart Cities

Introducción

Impulsada principalmente por el incremento de la población mundial y las necesidades crecientes de alimentos a nivel global, la generación de residuos se prevé que aumente de los 2.000 millones de toneladas anuales de la actualidad a 3.400 millones de toneladas en 2050, lo que supone un aumento del 70% [1]. Las regiones del mundo que encabezarán la generación por habitante seguirán siendo Norteamérica y Europa en los años venideros. Sin embargo, en términos absolutos los grandes aumentos provienen de las zonas en desarrollo, debido al incremento demográfico y de riqueza. Los países más desarrollados están obligados a afrontar

esta tendencia creando e implantando sistemas modernos y replicables en toda la cadena de valor, que consigan una mayor eficiencia del servicio y bienestar ciudadano, sin que crezcan los recursos destinados a esta actividad. Además, el problema es global con implicaciones más complejas: en los países donde más está creciendo la generación total, la cobertura de la recogida no es universal, sino que alcanza ratios medios del 85% en países de ingresos medio- altos, cifra que desciende a un 48% en las regiones con menores ingresos.

El escenario global empuja necesariamente a reconvertir nuestros servicios e infraestructuras de recogida hacia modelos con rendimientos crecientes, mucho más eficientes que los actuales y con menor impacto económico, ambiental y social sobre las ciudades y la ciudadanía. Además, el problema no es exclusivamente de las ciudades, sino que en pequeños municipios y zonas de baja concentración de población se agrava, demandando mayores recursos y derivando en un servicio de baja calidad, con frecuencia. Para aumentar la eficiencia y calidad del servicio de recogida de residuos la estrategia más segura es avanzar hacia un mayor control y conocimiento del mismo, que implica ampliar la cadena de recogida actual aguas arriba y aguas abajo. En este cambio de paradigma la cadena de valor no comienza en el contenedor sino en la generación: en el edificio, el negocio o comercio, en los hábitos ciudadanos y en el usuario. Por otra parte, aguas abajo, la recogida de residuos se interconecta a nivel de datos e información con dominios como el tráfico, el turismo, el urbanismo, etc, imbricándose totalmente en la ciudad inteligente y su entorno.

Es necesario también relacionar las exigencias de la recogida de residuos con las del tratamiento, propios los retos de la economía circular: la separación adecuada para reciclaje u otro tipo de valorización factible y rentable. Según datos de EUROSTAT, España deposita en vertedero un 53,6% de los residuos generados, superior a la media de la UE-28 que es el del 45,5% y muy por encima de los países con mejores infraestructuras como Alemania (18,1%), Bélgica (6,9%) o Italia (14,2%). En 2018 la UE revisó la Directiva Marco de Residuos 2008/98/EC con un endurecimiento de requisitos donde hay dos exigencias de especial importancia: la reducción para 2035 de la deposición en vertederos al 10% para todos los Estados Miembro (850/2018) y la exigencia de implantar políticas «quien contamina, paga» también a los residuos urbanos, y no solamente a los industriales. El desafío es por tanto de alcance continental y con especial severidad en España. Habida cuenta de que actualmente la única vía solvente para reducir la deposición en vertederos y aumentar la fracción reciclable es la separación en origen, volvemos a la necesidad de ampliar la cadena de valor de la recogida en cuanto a monitorización y conocimiento aguas arriba, hacia el usuario. Cualquier medida de concienciación, incentivación, penalización, etc en torno a la separación urbana para el reciclaje, precisa de información que permita conocer y controlar la fuente de contaminación (pollutant pays), así como los hábitos y su variación en función de las diferentes estrategias que se implementen.

Presentado el problema global de los residuos urbanos y su recogida en cuanto a su importancia, presiones y perspectivas, en el presente artículo pretendemos dar un conocimiento en cierto nivel de detalle de los retos específicos, la forma en que se les da respuesta actualmente y cómo nos preparamos para el futuro.

Los problemas y las soluciones clásicas

Los servicios urbanos de limpieza y recogida de basuras ocasionan numerosos inconvenientes a los ciudadanos:

• Los camiones generan ruidos, malos olores, aumentan la contaminación de las ciudades y pueden ocasionar problemas de tráfico en ciertos
• La incapacidad para saber si un contenedor está lleno da lugar a basuras acumuladas fuera de los contenedores generando malos olores y un impacto sobre la imagen del medio
• Ciertos contenedores de basura no siempre están localizados en los lugares óptimos, con lo que los ciudadanos a menudo deben desplazarse distancias considerables para depositar residuos de selectiva (vidrio, cartón, envases, etc.), lo cual supone un inconveniente a la hora de incentivar al ciudadano para que colabore con la labor de reciclaje mediante la separación de residuos en los hogares.
• La planificación de rutas de limpieza y recogida no siempre es la más eficiente, suponiendo un impacto medioambiental y unos gastos evitables.

Hasta ahora, la optimización en el campo de la recogida se limitaba al uso de algoritmos de enrutamiento sobre aplicaciones GIS (Geographic Information System) que permitían obtener el itinerario óptimo de recogida para un grupo de contenedores determinado y para cada vehículo.

Figura 1. Flujo de residuos vs flujo de datos.

La primera fase: la sensorización.

La tecnología nos ayuda a afrontar estos problemas mediante la monitorización de la actividad, su estudio y la búsqueda de mejores soluciones. El nuevo ecosistema IoT permite controlar el servicio implantando dispositivos como:

• Ordenadores de abordo con GPS en camiones de recogida y vehículos de limpieza urbana que permiten saber en tiempo real y a posteriori el recorrido de dicho vehículo, las paradas, las revoluciones del motor o el combustible consumido entre
• Herramientas de pesaje incorporadas en los camiones que registran el peso de la carga de cada contenedor
• Sensores volumétricos que, mediante un sistema de medición basado en ultrasonidos, son capaces de estimar el volumen actual del contenedor dentro del cual han sido integrados.
• Tags de identificación RFID en los contenedores para saber cuáles han sido recogidos o movidos de su posición mediante su

La información recogida por todos estos sensores mencionados previamente, combinados con algoritmos de inteligencia artificial y las últimas innovaciones en Big Data, permiten la mejora del servicio al ciudadano al mismo tiempo que se logra una reducción de costes en la ejecución del mismo. Gracias a los sensores volumétricos es posible saber antes de que el camión salga a realizar su turno, qué contenedores están más llenos y cuales menos, de manera que se puede optimizar en tiempo real la ruta para que se recojan aquellos que tienen riesgo de desbordarse frente a otros que están más vacíos.

No obstante, el uso de información en tiempo real no siempre es la solución final. Por ejemplo, en el caso de los volumétricos, algunos contenedores reciben más residuos que otros y se llenan a mayor velocidad, con lo que el contenedor más lleno no siempre es el que más urge recoger, sino que puede darse que contenedores menos llenos tengan más riesgo de desbordarse antes de ser recogidos debido a variables de contexto (como mayor densidad de población en la zona). En ocasiones, además, los sensores no son exactos en sus mediciones y no es posible contrastar la medida hasta que se hace el pesaje en el momento de la recogida. Otro caso que tampoco se adapta a esta situación es el de los contenedores de orgánica, los cuales deben recogerse a diario por situaciones de insalubridad, como aparición de olores e insectos, que se puedan dar.

La segunda fase: la innovación a través de los datos.

En este punto, es necesario ir un paso más allá y estimar el nivel de llenado de los contenedores en la fecha y hora de la próxima recogida para poder adecuarse a cada situación. Esto se hace posible haciendo uso de los datos de recogida históricos y la aplicación de algoritmos de Machine Learning sobre los mismos. De estos históricos se obtiene información como pesaje por contenedor, pesaje final en vertedero, posiciones históricas de contenedores, consumo del camión durante la recogida o duraciones de recorrido, por mencionar algunas. Usando algoritmos de localización sobre sistemas GIS, es posible cruzar toda esta información con otros datos geolocalizados como el número de personas estimado que usa cada contenedor individualmente, el número de locales comerciales y no comerciales en los alrededores, la tipología de estos, etc.

Con estas técnicas se puede adaptar el servicio a la estacionalidad referente a los desplazamientos hacia las costas y zonas rurales en épocas vacacionales, las fiestas locales, los eventos periódicos como partidos o mercados callejeros, etc. Dichos eventos y flujos de población influyen en el comportamiento de las variables geolocalizadas. Un aumento de residentes en las zonas de costa requiere un aumento de frecuencia en la recogida de contenedores, e incluso la necesidad de colocar más contenedores que puedan abastecer las necesidades de los ciudadanos.

El aumento de precisión en las predicciones permite planear a más largo plazo el proceso completo de recogida. Se logra anticipar la necesidad de infraestructura y personal para situaciones especiales, así como proponer cambios en rutas predeterminadas en función de las fluctuaciones en la generación de residuos. El nuevo modelo de recogida se parece cada vez más al clásico problema de enrutamiento de vehículos (VRP, por su siglas en inglés): los camiones tienen una capacidad de carga determinada y hay una serie de puntos que se han de recoger con una cierta demanda (incluso habría ventanas horarias por contenedor en caso de restricciones horarias de recogida para ciertos contenedores), el objetivo consiste en obtener el número de camiones y la ruta de cada uno con la cual se reduce el impacto medioambiental y el coste de ejecución. Hay algoritmos de optimización que, mezclando combinatoria con técnicas metaheurísticas, logran resultados muy eficientes para este tipo de situaciones. Estas técnicas llevan años siendo utilizadas por las empresas de envíos de paquetes, mensajería o comida a domicilio. Una de las principales diferencias entre estas industrias y la de los servicios de limpieza es el conocimiento de la demanda en cada punto, diferencia que nos ayuda a eliminar ahora las técnicas de aprendizaje computacional.

Figura 2. Evolución tecnológica de los servicios de recogida de residuos.

Las previsiones de generación de residuos no sólo permiten optimizar las rutas, sino que, con la ayuda de algoritmos de tipo GIS y datos abiertos geolocalizados referentes a variables socio- demográficas provenientes del nuevo ecosistema Smart City, se pueden inferir indicadores sobre las mejores posiciones para la colocación de la infraestructura de limpieza y recogida. Algunos ejemplos de estos indicadores son:

• Distancia media, mínima y máxima entre ciudadano y
• Número medio, mínimo y máximo de ciudadanos por
• Accesibilidad a puntos
• Contenedores en peligro de exceder su capacidad de
• Eficiencia y eficacia de los servicios de limpieza en diferentes medidas como euros por tonelada de residuo, CO2 por tonelada de residuo.

Con estos indicadores se puede calcular la calidad de la distribución de contenedores en una localidad particular e incluso simular diferentes posibilidades de distribución adecuándose a las necesidades de la población. Estas funcionalidades dan lugar a nuevos productos que colaboran en la toma de decisiones de la administración, donde se pueden configurar los valores esperados para dichos indicadores y generar automáticamente, usando algoritmos de Location-Intelligence, un espectro de soluciones que cumpla los requisitos especificados.

Las variables de contexto procedentes de la Smart City u otras fuentes externas junto a los datos del servicio de recogida crean perfiles en las ciudades y barrios. Estos perfiles se pueden comparar identificando patrones similares entre ellos. A nivel más abstracto, este modelo es similar al de los usuarios de plataformas de venta online como Amazon o de video-streaming como Netflix, donde por medio de algoritmos de aprendizaje computacional, denominados Recommender System (Sistemas de Recomendación), se estima qué productos o películas pueden gustar al usuario. Apoyándose en estos mismos algoritmos, los perfiles de los barrios y núcleos de población se pueden modelar para estimar, por ejemplo, la generación de residuos de una fracción particular (vidrio) a partir de información de recogida de otras fracciones (cartón o resto) y del resto de variables de contexto que elaboren el perfil.

El reciclaje.

Las labores de reciclaje son una parte crucial en el proceso de gestión y la participación ciudadana como separadores de residuos entre las diferentes fracciones desde el hogar es una pieza clave en dicha labor. Los resultados de pesaje por fracción revelan cómo se está llevando a cabo esta labor. Un crecimiento del porcentaje en las fracciones de vidrio, cartón, envases ligeros y orgánica frente a la fracción resto indica una mayor separación en los hogares.

El impacto de las iniciativas de concienciación ciudadana o de medidas como la “tarjeta eco personal” se puede evaluar observando las variaciones en estos valores. Este es un medio de permitir que el servicio se sostenga bajo principios que incentiven eliminar menos y reciclar más en aquellos países como España donde la tasa de las basuras es una tarifa plana para cada usuario, con independencia de la demanda que hace del servicio o las ineficiencias a las que lo somete.

La integración con la Smart City.

El cruce de datos entre las plataformas Smart City y las plataformas de Smart Waste Management no sólo beneficia a las segundas mediante la aportación de variables de contexto para refinar las predicciones. Si las correlaciones entre las variables de contexto y los datos recogidos del servicio de limpieza fueran muy altas, sería posible obtener predicciones en la otra dirección, es decir, predecir valores de variables de contexto a partir de mediciones de recogida. Así, se pueden monitorizar movimientos de población, aparición de nuevos nichos de mercado para el turismo, usos ilegales de la infraestructura de limpieza mediante la detección de cambios de volumen anómalos (uso de contenedores para podas o escombros de manera ilegal), etc.

Otros beneficios para las Smart Cities, no relacionados directamente con los históricos, pero sí con los sensores, es la detección de actos de vandalismo detectando fuegos y movimientos violentos en contenedores con acelerómetros y termómetros instalados dentro de los propios volumétricos.

Conclusiones.

La ciudad y sus componentes pertenecen a la categoría de elementos que más rápidamente están viviendo la transformación digital que lo aborda todo. Desde las primeras aproximaciones a la digitalización del hogar (domótica), pasando por los edificios (smart buildings), vehículos (connected car), ciudades (smart cities), transportes (smart mobility), redes energéticas (smart grids), etc. una gran cantidad de sistemas están evolucionando al ámbito digital al superponer una capa de captación y puesta en valor de datos. Uno de los últimos sectores en sumarse ha sido la gestión de residuos (smart waste), pero su importancia ecológica, económica y social la están convirtiendo en una pieza elemental para la transformación digital de la ciudad. La red inteligente de residuos se erige en un eslabón vital entre el smart building y la smart city donde aplicar las tecnologías que están cambiando el mundo: IoT, big data, gemelos digitales, blockchain, visión artificial, etc. ¿Quién en este sector se atrevería a dejar de innovar?

Referencias.

• Kaza et al. 2018, What a Waste 2.0: A global snapshot of Solid Waste Management to 2050, World
• https://ec.europa.eu/eurostat/statistics-explained/index.php/Waste_statistics, 1 de Abril de 2019