Sistema de alerta temprana de inundaciones para el río Arauca basado en técnicas de inteligencia artificial
DOI:
https://doi.org/10.19053/20278306.v12.n2.2022.15274Palabras clave:
inundación;, nivel de agua;, modelo matemático;, alerta tempranaResumen
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
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
Publicado
-
Resumen280
-
PDF237
-
XML4
Cómo citar
Número
Sección
Licencia
Los artículos aquí publicados están protegidos bajo una licencia Licencia Creative Commons Atribución 4.0 Internacional. El contenido de los artículos es responsabilidad de cada autor y no compromete, de ninguna manera, a la revista o a la institución. Se permite la divulgación y reproducción de títulos, resúmenes y contenido total, con fines académicos, científicos, culturales y/o comerciales, siempre y cuando se cite la respectiva fuente.