Usando el pasado para predecir el futuro: El caso del tifón Hagibis y su aplicación en el Perú
Basado en un artículo de la Universidad de Tohoku
El pasado es a menudo la ventana a nuestro futuro, especialmente cuando se trata de desastres naturales. Utilizando datos de las inundaciones del 2018 que azotaron el suroeste de Japón para calibrar un modelo de aprendizaje automático, investigadores del Instituto Internacional de Investigación en Ciencia de Desastres (IRIDeS) de la Universidad de Tohoku y el Centro Peruano Japonés de Investigaciones Sísmicas y Mitigación de Desastres (CISMID), identificaron con éxito las inundaciones provocadas por el tifón Hagibis.
El tifón Hagibis devastó Japón en octubre del 2019, causando 91 perdidas humanas, dañando 85.000 hogares y causando aproximadamente 15 mil millones de dólares en daños.
Las áreas y las imágenes de satélite utilizadas para construir el modelo de aprendizaje automático (lluvias intensas de 2018, ciudad de Mabi) y para estimar las inundaciones de un evento desconocido (tifón de Hagibis 2019, ciudades de Koriyama e Iwaki) © ︎Tohoku University
En los esfuerzos de rescate y recuperación de desastres naturales, el mapeo de inundaciones en tiempo real es crucial. Permite a los gobiernos dirigir el socorro a las áreas que más lo necesitan. Para ayudar en este esfuerzo, imágenes satelitales son indispensables para identificar la extensión de áreas afectadas a nivel regional, las cuales son analizadas mediante técnicas de inteligencia artificial.
Técnicas de inteligencia artificial requieren grandes cantidades de datos de entrenamiento para garantizan una alta precisión. Sin embargo, dichos datos son muy escasos luego de la ocurrencia de un desastre. La recopilación de datos de capacitación inmediatamente después de un desastre es costosa, requiere mucho tiempo y muchas veces es imposible.
En IRIDeS y CISMID, los autores del estudio evaluaron el rendimiento de un modelo para aprender de las inundaciones de 2018 que azotaron el suroeste de Japón, e identificar las inundaciones inducidas por el tifón Hagibis del 2019. Los mapas de inundaciones resultantes fueron consistentes con los resultados de los mapas de inundaciones reales, publicados por los gobiernos locales y las instituciones públicas.
Los autores señalaron que el modelo identifica con éxito las áreas inundadas y verificó que la inteligencia artificial puede aprender de desastres pasados, lo que finalmente permite predecir mejor un mapa de daños en eventos futuros.
La aplicación del sistema en el Perú
El proyecto de investigación Tecnologías de Observación de la Tierra y Machine Learning para la Mitigación de Desastres, con CISMID-FIC-UNI como entidad ejecutora, y con IRIDeS, NIED, y RIKEN- Geoinformatics como entidades japonesas asociadas, tiene el objetivo de implementar un sistema similar para el Perú, así como también otros sistemas que sean robustos ante la escasez de datos de entrenamiento. Por ejemplo, el uso de mapa de intensidades sísmicas como un indicador para recolectar muestras automáticamente.
Ponencia del Dr. Luis Moya en XXXIII Simposio Nacional de Prevención de Desastres
Durante el XXXIII Simposio Nacional de Prevención de Desastres, organizado por el CISMID, el Dr. Luis Moya, investigador principal del proyecto, indicó que la implementación de este sistema necesita la existencia de dos sistemas adicionales que todavía no se encuentran en el país: un sistema de monitoreo de las zonas urbanas y rurales, y un sistema que estime en tiempo cuasi-real las intensidades de un desastre; ambos componen el desafío de esta primera etapa. El proyecto, financiado por Fondecyt, cuenta con resultados preliminares del mapa de zonas urbanas y rurales. Además, viene trabajando en mapas de parámetros de demanda sísmica en Lima y un modelo de inversión basado en Convolutional Neural Networks.
Enlaces de interés:
- Sistemas de identificación de daños a implementar:
- Learning from the 2018 Western Japan Heavy Rains to Detect Floods during the 2019 Hagibis Typhoon (hyperlink: https://www.mdpi.com/2072-4292/12/14/2244)
- An integrated method to extract collapsed buildings from satellite imagery, hazard distribution and fragility curves (hyperlink: https://www.sciencedirect.com/science/article/pii/S2212420918304047)
- Novel Unsupervised Classification of Collapsed Buildings Using Satellite Imagery, Hazard Scenarios and Fragility Functions (hyperlink: https://www.mdpi.com/2072-4292/10/2/296)
- Artículos publicados durante el proyecto:
- Tsunami Damage Detection with Remote Sensing: A Review (hyperlink: https://www.mdpi.com/2076-3263/10/5/177)
- Characteristics of Tsunami Fragility Functions Developed Using Different Sources of Damage Data from the 2018 Sulawesi Earthquake and Tsunami (hyperlink: https://link.springer.com/article/10.1007%2Fs00024-020-02501-4)
- 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 (hyperlink: https://www.sciencedirect.com/science/article/pii/S0034425720301139)
- Presentación del proyecto Tecnologías de Observación de la Tierra y Machine Learning para la Mitigación de Desastres en el XXXIII Simposio Nacional de Prevención de Desastres (hyperlink: https://youtu.be/CYz7qBMutZs?t=6516)
