Sistema de alerta temprana de inundaciones para el río Arauca basado en técnicas de inteligencia artificial

Sorangela Cárdenas-Rodríguez; Carlos Arturo Vides-Herrera; Aldo Pardo-García

doi:10.19053/20278306.v12.n2.2022.15274

Autores/as

Sorangela Cárdenas-Rodríguez Universidad de Pamplona, Pamplona https://orcid.org/0000-0002-1770-2741
Carlos Arturo Vides-Herrera Universidad de Pamplona, Pamplona https://orcid.org/0000-0001-8708-5470
Aldo Pardo-García Universidad de Pamplona, Pamplona https://orcid.org/0000-0003-2040-9420

DOI:

https://doi.org/10.19053/20278306.v12.n2.2022.15274

Palabras clave:

inundación;, nivel de agua;, modelo matemático;, alerta temprana

Resumen

En este artículo se establece el diseño de un sistema de alertas tempranas de inundación en el río Arauca, municipio de Arauca, Colombia. La información del estudio se extrae del IDEAM y es procesada obteniendo un modelo a través de las variables intervinientes, como: precipitación, nivel y caudal. Este modelo de información suministra la data al modelo matemático para el cauce del río, que se obtiene a partir de tres clases de tendencias: lineal, potencia y relaciones potenciales. El modelo del cauce se compara con un observador basado en técnicas inteligentes, redes neuronales y ANFIS en este caso, que al hacer la diferencia de sus salidas genera un residuo encargado de suministrar la información que proporciona el estado actual de nivel del río bajo estudio. Esta información permite generar las alertas que son atendidas por las entidades del gobierno dedicadas a la gestión del riesgo.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Sorangela Cárdenas-Rodríguez, Universidad de Pamplona, Pamplona

Ingeniera Electrónica, Magíster en Controles Industriales

Carlos Arturo Vides-Herrera, Universidad de Pamplona, Pamplona

Ingeniero Electrónico, Magíster en Controles Industriales

Aldo Pardo-García, Universidad de Pamplona, Pamplona

Ingeniero Electricista, Doctor en Ciencias

Referencias

Abasov, N. V., Nikitin, V. M., Berezhnykh, T. V., & Osipchuk, E. N. (2022). Monitoring and Predictive Estimations of Atmospheric Parameters in the Catchment Area of Lake Baikal. Atmosphere, 13 (1). https://doi.org/10.3390/atmos13010049 DOI: https://doi.org/10.3390/atmos13010049

Adnan, R., Ruslan, F. A., & Zain, Z. M. (2012). Flood water level modelling and prediction using artificial neural network: Case study of Sungai Batu Pahat in Johor. In 2012 IEEE Control and System Graduate Research Colloquium, 22-25. DOI: https://doi.org/10.1109/ICSGRC.2012.6287127

Béjar-Chacón, W. E., Valeriano-Valdez, K., Ilachoque-Umasi, J. C., & Sulla-Torres, J. (2016). Predicción de caudales medios diarios en la cuenca del Amazonas aplicando redes neuronales artificiales y el modelo neurodifuso ANFIS. Research in Computing Science, 113 (1), 23–35. https://doi.org/10.13053/rcs-113-1-2 DOI: https://doi.org/10.13053/rcs-113-1-2

Cai, B., & Yu, Y. (2022). Flood forecasting in urban reservoir using hybrid recurrent neural network. Urban Climate, 42, 101086. DOI: https://doi.org/10.1016/j.uclim.2022.101086

Caina-Clavijo, L. K., & Castro-Rodríguez, F. R. (2018). Generación de Parámetros y Protocolos para un Sistema de Alerta Temprana en la Cuenca Alta de Río Cauca. (Trabajo de grado). Universidad Católica de Colombia. https://hdl.handle.net/10983/16779

Cardozo-Rueda, K. S. (2022). Aplicación de redes neuronales artificiales para el pronóstico de precios de café. Revista Colombiana de Tecnologías de Avanzada, 1(39), 113–117.

CEPAL & BID. (2007). Información para la gestión de riesgo de desastres. Estudio de caso de cinco países: México.

EM-DAT. (1 de abril de 2022). The international disaster database. https://public.emdat.be/

Eslava-Zapata, R. (2021). Pasivos ambientales y métodos de valoración económica. Infometric@ - Serie Sociales Y Humanas, 4 (2).

García, F., Rojas, J., Vásquez, A., Parra, D., & Castro, E. (2016). Estimating missing data in historic series of global radiation through neural network algorithms. Sistemas y Telemática, 14 (37), 9–22. https://doi.org/10.18046/syt.v14i37.2239 DOI: https://doi.org/10.18046/syt.v14i37.2239

Gómez-Rojas, D. F., & López-Ramírez, D. P. (2019). Determinación de la cota de inundación del río Arauca en la vereda barrancones, municipio de Arauca mediante un modelo hidrodinámico. (Trabajo de Grado). Universidad Católica de Colombia. https://hdl.handle.net/10983/23392

Gómez-Vargas, E., Álvarez-Pomar, L., & Obregón-Neira, N. (2012). Predicción de caudales de ríos aplicando el modelo neurodifuso ANFIS y redes neuronales. Sistemas, Cibernética e Informática, 9 (1), 28–35.

Maza-Mogrobejo, A. X. (2019). Integración de un sistema de alerta temprana mediante modelación hidrodinámica y predicción de flujos con redes neuronales. Caso de estudio: río Tomebamba (Tesis de maestría). Cuenca, Ecuador: Universidad de Cuenca. http://dspace.ucuenca.edu.ec/handle/123456789/33595

Nunez, M. E. (2005). Propuesta y Análisis de Modelos Matemáticos para la Estimación de Caudales Recesivos en la Cuenca del Río Loizntué, Estación Estero Upeo en Upeo, VII Región del Maule, Chile (Trabajo de pregrado). Chile: Universidad de Talca.

Niño-Rondón, C. V., Castro-Casadiego, S. A., & Medina-Delgado, B. (2020). Caracterización para la ubicación en la captura de video aplicado a técnicas de visión artificial en la detección de personas. Revista Colombiana de Tecnologías de Avanzada, 2(36), 83-88. https://doi.org/10.24054/16927257.v36.n36.2020.24 DOI: https://doi.org/10.24054/16927257.v36.n36.2020.24

Pacheco-Sánchez, C. A., Quintero-Bayona, B. T., Guerrero-Prado, L. T., & Moreno-Mendoza, E. F. (2020). Innovación y tecnología en el tercer sector: paradigmas y desafíos. Revista Colombiana de Tecnologías de Avanzada, 1(33), 62-68. https://doi.org/10.24054/16927257.v33.n33.2019.86 DOI: https://doi.org/10.24054/16927257.v33.n33.2019.3323

Peña-García, K. L., & García-Mendivelso, O. A. (2017). Diseño de un sistema de alertas tempranas para medición de caudales instantáneos en la cuenca alta y media del río Ila en el municipio de la Vega – Cundinamarca. (Trabajo de grado). Bogotá, Colombia: Universidad Libre. https://hdl.handle.net/10901/11172

Rosado-Gómez, A. A., & Jaimes-Fernández, J. C. (2020). Revisión de la incorporación de la arquitectura orientada a servicios en las organizaciones. Revista Colombiana de Tecnologías de Avanzada, 1 (31), 77-88. https://doi.org/10.24054/16927257.v31.n31.2018.134 DOI: https://doi.org/10.24054/16927257.v31.n31.2018.2769

Teixeira, R., & Balda, G. (2021). Feasibility study on operational use of neural networks in a flash flood early warning system. Revista Brasileña de Recursos Hídricos, 26. https://doi.org/10.1590/2318-0331.262120200152 DOI: https://doi.org/10.1590/2318-0331.262120200152

Vannote, R. L., Wayne-Minshall, G., Cummins, K. W., Sedell, J. R., & Cushing, C. E. (1980). The river continuum concept. Canadian Journal of Fisheries and Aquatic Sciences, 37, 130–137. DOI: https://doi.org/10.1139/f80-017

Vargas, N. O., & Giraldo, M. V. (2018). Protocolo de Modelación Hidrológica e Hidráulica. Colombia: Instituto de Hidrología, Meteorología y Estudios Ambientales.

Vargas, C., Montes, W., Castrejón, E., & Hinojosa, M. (2021). Machine Learning como Herramienta para Determinar la Variación de los Recursos Hídricos. Scientific Research Journal CIDI, 1 (1), 56–69. https://doi.org/10.53942/srjcidi.v1i1.46 DOI: https://doi.org/10.53942/srjcidi.v1i1.46

Vargas-Zapata, M., Medina-Sierra, M., Galeano-Vasco, L. F., & Cerón-Muñoz, M. F. (2022). Algoritmos de aprendizaje de máquina para la predicción de propiedades fisicoquímicas del suelo mediante información espectral: una revisión sistemática. Revista de Investigación, Desarrollo e Innovación, 12 (1), 107-120. https://doi.org/10.19053/20278306.v12.n1.2022.14212 DOI: https://doi.org/10.19053/20278306.v12.n1.2022.14212