Nuevo algoritmo para la identificación automática de edificaciones colapsadas

El martes 28 de junio CISMID llevó a cabo la conferencia del cierre del proyecto FONDECYT-BM 038-2019: Fusión de Algoritmos de Machine Learning y Tecnologías de Observación de la Tierra para la Mitigación de Desastres. El proyecto duró dos años y medio y tuvo como resultado la propuesta de un nuevo algoritmo para la identificación automática de edificaciones colapsadas en desastres a gran escala, mediante la integración de información de sensores remotos y tradicionales, y el uso de algoritmos de machine learning.

De ocurrir un desastre de gran magnitud en el Perú la evaluación de daños puede enfrentar grandes obstáculos, como la insuficiencia de expertos locales capacitados para realizar estos trabajos, así como problemas de comunicación con zonas remotas de nuestro país, que afectarían las capacidades de los tomadores de decisiones y funcionarios gubernamentales en situación de crisis. Este proyecto propone un algortimo para el reconocimiento inmediato de construcciones colapsadas.

Otros resultados que tuvo el proyecto fueron: la creación de la web Amaru Perú, la adquisición e instalación de sensores de bajo costo, la creación de mapas de intensidad de diversos sismos mediante encuestas electrónicas, la observación del crecimiento informal urbano mediante imágenes de radar en zonas vulnerables de Lima, y la identificación de zonas de inundación en Madre de Dios.

Este trabajo fue financiado por el proyecto Concytec-Banco Mundial «Mejoramiento y ampliación de los servicios del sistema nacional de ciencia, tecnología e innovación tecnológica» 8682-PE, a través de su unidad ejecutora ProCiencia (Contrato No. 038-2019). Esto permitió la adquisición de equipos, la contratación de servicios y consultorías, además de la incorporación de profesionales expertos que se habían educado en la UNI y CISMID, pero que radicaban en el extranjero.

El equipo de investigación fue conformado por los siguientes especialistas:

• Dr. Luis Moya, investigador principal del proyecto
• Dr. Carlos Gonzales, investigador asociado CISMID
• Dr. Miguel Díaz, coordinador técnico y coinvestigador CISMID
• Dr. Carlos Zavala, coinvestigador CISMID
• Dr. Fumio Yamazaki, coinvestigador NIED
• Dr. Shunichi Koshimura, coinvestigador IRIDeS
• Dr. Erick Mas, coinvestigador IRIDeS
• Dr. Bruno Adriano, coinvestigador RIKEN

Tesistas del proyecto

• Roger Garay, tesista pregrado
• Angel Ccahua, tesista pregrado
• Fernando Garcia, tesista posgrado
• Angel Matos, tesista pregrado
• Julio Lau, tesista posgrado

Oficina de Gestión a la Investigación

• Magally Vivas
• Xiomara Portilla
• Key Figueroa
• Ghino Baldeon
• Jean Alvarado

Durante el evento virtual el Dr. Miguel Diaz, director de investigación del CISMID y coordinador principal de este proyecto mencionó:

Los principales retos que tuvo el CISMID, además de la transferencia y creación de conocimiento, fue el de formar a la próxima generación de investigadores, que puedan liderar las diferentes áreas de la ingeniería sísmica y mitigación de desastres; que trabajen principalmente con las nuevas tecnologías de observación de la tierra y el machine learning.

Este proyecto constituye un aporte importante de la ciencia que complementa los esfuerzos nacionales para la prevención y gestión de desastres. Además, el Dr. Carlos Zavala, investigador del proyecto, mencionó que los resultados obtenidos aportarán a otros proyectos del CISMID, como al sistema experto que integrará los sistemas de diferentes instituciones y empresas, para la observación de edificios y la tierra, siguiendo el modelo japonés.

Lee también 

Investigadores del proyecto SATREPS comparten avances en reunión virtual

El proyecto publicó sus resultados en artículos para revistas científicas reconocidas:

• Detecting urban changes using phase correlation and ℓ1-based sparse model for early disaster response: A case study of the 2018 Sulawesi Indonesia earthquake-tsunami.
• Tsunami Damage Detection with Remote Sensing: A Review.
• Characteristics of Tsunami Fragility Functions Developed Using Different Sources of Damage Data from the 2018 Sulawesi Earthquake and Tsunami.
• Disaster Intensity-Based Selection of Training Samples for Remote Sensing Building Damage Classification
• The Potential Role of News Media to Construct a Machine Learning Based Damage Mapping Framework
• Model-based analysis of multi-UAV path planning for surveying postdisaster building damage
• Brief communication: Radar images for monitoring informal urban settlements in vulnerable zones in Lima, Peru.

Programa: 

14:46 Resumen del proyecto FONDECYT-BM 038-2019 36:51 Aplicaciones avanzadas de machine learning y metodologías de observación de la Tierra 1:12:34 Ensayos geofísicos en la caracterización de estaciones acelerográficas de CISMID y plataforma Amaru 1:40:17 Identificación de períodos predominantes e influencia de la profundidad en la respuesta sísmica del suelo en Lima Metropolitana 1:54:44 Generación de mapas de parámetros sísmicos para Lima Metropolitana utilizando técnicas geoestadísticas 2:13:56 Aplicación de machine learning para la identificación de zonas urbanas inundadas en Perú mediante imágenes satelitales de radar y base de datos histórica 2:27:22 Pronóstico del tamaño final de incendios forestales en Perú usando datos meteorológicos empleando técnicas de machine learning 2:42:36 Estimación de parámetros hipocentrales con base en redes neuronales gráficas 2:58:23 Modelos basado en agentes para la ciencia de los desastres