Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 12 Núm. 2 (2022)
Julio-Diciembre

Artículos

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

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

Publicado 2022-08-15

Sorangela Cárdenas-Rodríguez
Universidad de Pamplona, Pamplona

Carlos Arturo Vides-Herrera
Universidad de Pamplona, Pamplona

Aldo Pardo-García
Universidad de Pamplona, Pamplona

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.

Palabras clave

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

XML PDF

Biografía del autor/a

Sorangela Cárdenas-Rodríguez

Ingeniera Electrónica, Magíster en Controles Industriales

Carlos Arturo Vides-Herrera

Ingeniero Electrónico, Magíster en Controles Industriales

Aldo Pardo-García

Ingeniero Electricista, Doctor en Ciencias

Citas

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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.
  7. CEPAL & BID. (2007). Información para la gestión de riesgo de desastres. Estudio de caso de cinco países: México.
  8. EM-DAT. (1 de abril de 2022). The international disaster database. https://public.emdat.be/
  9. Eslava-Zapata, R. (2021). Pasivos ambientales y métodos de valoración económica. Infometric@ - Serie Sociales Y Humanas, 4 (2).
  10. 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
  11. 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
  12. 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.
  13. 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
  14. 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.
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. Vargas, N. O., & Giraldo, M. V. (2018). Protocolo de Modelación Hidrológica e Hidráulica. Colombia: Instituto de Hidrología, Meteorología y Estudios Ambientales.
  22. 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
  23. 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

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

1 2 3 4 5 > >> 

También puede {advancedSearchLink} para este artículo.