Detección De Cambios E Inundaciones En Kazajistán

Descripción: Las Inundaciones De Primavera En Kazajistán

El comienzo de la primavera en Kazajstán trae consigo cada año un rápido deshielo. Debido al repentino aumento de la temperatura, el agua procedente de las escorrentías desciende por las montañas, anegando las calles de los asentamientos locales y las tierras de cultivo. El 13 de marzo de 2023, la inundación primaveral en Kazajstán alcanzó un nivel tan extremo que el gobierno local declaró el estado de emergencia natural.

El Ministerio de Situaciones de Emergencia de Kazajistán declaró que se habían tomado medidas preventivas contra las inundaciones en la región occidental de Kazajistán antes del comienzo de la temporada de inundaciones. Entre ellas figuraban la construcción y el refuerzo de presas y barreras protectoras, la instalación de nuevas alcantarillas, la limpieza del sistema de canales, la retirada de nieve, la perforación de agujeros y el corte de hielo en zonas propensas a los embotellamientos fluviales. Este enfoque integral permitió a las autoridades mitigar la amenaza de inundaciones.

Sin embargo, otro problema importante persistió incluso después de llevar a cabo las medidas preventivas. Los desbordamientos y la destrucción de carreteras provocaron interrupciones del tráfico y el aislamiento de asentamientos individuales. La amenaza se ve agravada por el estado técnico de 1806 estructuras hidráulicas, que es muy discutible, incluidas 471 que requieren una revisión a fondo. Al mismo tiempo, la evaluación precisa del estado técnico de estas estructuras es difícil, debido a la falta de apoyo del Estado y a la propiedad privada de algunos terrenos.

La situación en 2023 se complicó especialmente por las nevadas en la región de Turkestán (a 12 de enero de 2023, la cobertura era del 94% del territorio). Las reservas de nieve en las montañas eran entre un 47% y un 49% por encima de lo normal. Se predijo que el deshielo primaveral de esta nieve provocaría un gran aumento de la descarga de agua de deshielo a lo largo del río Arys en el río Syr Darya y el riesgo de inundación de los asentamientos en el curso inferior de dicho río en Kazajistán ^{In Kazakhstan, spring floods can affect 255 settlements. (2023, January 24). Karavan.}.

Los agricultores locales admiten que se tarda mucho tiempo en eliminar las consecuencias de las inundaciones cada temporada. Además de los daños en edificios y carreteras, grandes extensiones de tierras agrícolas sufren una alta erosión del suelo tras la crecida. La inundación arrastra la capa superior del suelo más fértil, y su restauración puede llevar décadas.

La evaluación del impacto de la erosión reveló que, suponiendo que el rendimiento total en la meseta (zona llana) de Kazajstán estuviese al 100%, en caso de una inundación primaveral descontrolada, las laderas septentrionales rendirían al 80%, mientras que las meridionales sólo al 40-60% ^{Buyanov S. (2015, May 19). Kazakhstan: The sunken earth. Kazakh-Seed.}.

Problema: El Impacto De Las Inundaciones En El Norte De Kazajistán

Para entrenar un modelo de detección de inundaciones, elegimos un área de interés en una de las regiones del norte del país. Esta zona se extendía por el río Zhabay (uno de los afluentes del río Ishim), a lo largo de un centro hidroeléctrico situado en la desembocadura del río, y la ciudad de Atbasar, con una población de 29.673 habitantes.

Esta región se caracteriza por las intensas inundaciones de primavera que se han observado en los últimos 10 años, lo que complica considerablemente el desarrollo socioeconómico de los asentamientos de esta cuenca.

Las principales causas de las inundaciones son:

• El derretimiento de las fuertes precipitaciones previas (capa de nieve);
• La formación de embotellamientos en los cursos de agua, lo que contribuye a una fuerte subida del nivel de las aguas;
• El rápido deshielo de los ríos en el territorio llano de la zona templada, causado por un repentino aumento de la temperatura en primavera.

Las inundaciones más intensas se observaron en:

1. 2014 – se inundaron más de 550 casas en 12 calles de la ciudad. Cientos de personas fueron evacuadas;
2. 2016 – se observó una amenaza de inundación de casas cercanas, y 70 personas fueron evacuadas. Como resultado de la construcción de un terraplén de tierra a una altura de 7 m, se evitó la inundación;
3. 2017 – se produjo una gran subida del agua, casi el doble respecto al nivel crítico, y el dique de protección fue superado en cuatro lugares. Se inundaron más de 600 casas y se evacuó a casi 1.500 personas. El nivel del agua fue 80 centímetros superior al de la inundación de 2014;
4. 2019 – en Atbasar, dos escuelas y unos 80 edificios residenciales estuvieron bajo la amenaza de inundación, debido a un aumento del nivel del agua en el río Zhabai, cerca de la ciudad, de 70 centímetros.

Los expertos de EOSDA entrenaron un modelo de red neuronal personalizado a partir de datos de teledetección y datos reales sobre el terreno extraídos de esta región. Incluyendo variables como la temperatura y la profundidad de la nieve, pudieron obtener análisis de predicción de inundaciones primaverales con una precisión del 90%.

Solución: Modelo De Regresión Múltiple

Para predecir la zona inundada, nuestros científicos utilizaron un modelo de regresión lineal múltiple. Consideraron dos tipos de datos de entrada:

1. Variables independientes, como los datos meteorológicos
2. Variable dependiente, es decir, la inundación propiamente dicha.

Supongamos que usted es una cooperativa agrícola que intenta predecir la época de crecidas primaverales de la próxima temporada. Sabe que hay múltiples factores, desde el tiempo atmosférico hasta la profundidad de la nieve o la situación geográfica, que pueden influir en el momento de la crecida, lo que a la larga puede ser decisivo para sus cosechas. Puede que también haya factores menos obvios, como las formaciones de nieve en los estados vecinos, las condiciones técnicas de las presas cercanas y la congestión de los cursos de agua que influyen en las inundaciones.

Para hacer predicciones precisas, las soluciones genéricas, como una biblioteca de Python, no le darán un resultado fiable. La solución es optar por un modelo de aprendizaje automático construido sobre un algoritmo matemático cuidadosamente elegido y entrenado específicamente en las condiciones únicas de esa área. Para detectar las inundaciones de primavera en el norte de Kazajistán, los científicos de EOSDA han optado por un análisis de regresión lineal múltiple basado en predictores meteorológicos.

El análisis de un modelo de regresión múltiple es una forma de predecir matemáticamente cuándo, dónde y cómo todas las variables importantes dan lugar a una inundación primaveral. Realizar este tipo de análisis basándose en indicadores precisos puede ayudar a eliminar las conjeturas a la hora de responder a preguntas importantes. Por ejemplo, podemos estimar qué factores importan más y cuáles podemos ignorar. A continuación, el análisis del modelo de regresión múltiple mostrará cómo interactúan esos factores entre sí en el espacio y el tiempo. Y, tal vez lo más importante, qué lugares sufrirán con mayor probabilidad la inundación una vez se sumen todos los efectos de esos factores.

Aleksey Kryvobok

Director científico de EOS Data Analytics

Selección De Los Indicadores Para Fundamentar Físicamente La Construcción De Un Modelo De Previsión

En primer lugar, nuestros científicos tuvieron que determinar qué factores contribuirían más a las inundaciones primaverales en el área de interés y qué factores podían descartar.

El intenso deshielo en el área escogida suele producirse entre finales de marzo y principios de abril. Por lo tanto, había que evaluar los factores que afectan a las reservas de nieve y a la intensidad de su derretimiento, causante de la inundación primaveral, a saber:

• La profundidad máxima de la capa de nieve durante el periodo frío del año, de diciembre a marzo;
• La temperatura mínima durante el periodo frío del año, que afecta a la profundidad de congelación del suelo. Durante un rápido deshielo, el suelo congelado no permite que la humedad sea absorbida por el suelo, lo que agrava la inundación;
• La profundidad de la capa de nieve al inicio de la fase con temperatura positiva constante, que muestra cuánta nieve queda en el momento del deshielo intensivo;
• La suma de temperaturas desde la fecha de inicio de las temperaturas positivas hasta la fecha en que desaparece la capa de nieve. Cuanto menor sea la suma de temperaturas, más intenso será el proceso de deshielo, es decir, se necesitará un menor número de días para que la nieve se funda por completo y todo su volumen acabe en el río. Otros procesos, como la evaporación y la absorción del agua en el suelo, en este caso no importan tanto, porque no pueden reducir el volumen de agua que entra en el río por falta de tiempo;
• La temperatura positiva máxima que se observa antes del inicio de un periodo constante a partir de una temperatura positiva. Este aumento de la temperatura contribuye a aumentar el contenido de humedad del manto de nieve, lo que provoca un deshielo más intenso cuando se inicia un periodo de temperaturas positivas constante.

Resultado: Predicción Precisa De Inundaciones, Nuevas Oportunidades

Los resultados de la detección del área de inundación según el modelo, en comparación con los reales, es decir, determinados a partir de datos de satélite en el momento de la crecida máxima del río para el periodo 2016 – 2019 se presentan en la siguiente tabla. El análisis de los resultados mostró que la diferencia media entre los valores reales y los calculados es de 79,5 km2, y el error relativo presentado en la columna [abs(Sf – Sm)/Sf] es de 0,10, lo que corresponde a un 10% de error estadístico, es decir, un 90% de precisión de la predicción. Esta comparación muestra que los valores predichos correspondían a los valores reales de la crecida, lo que demuestra la viabilidad del modelo.

Factor Clave: Datos Meteorológicos

El resultado del entrenamiento de un modelo de aprendizaje automático depende, en gran medida, de la precisión de los indicadores independientes, como la temperatura, las precipitaciones, la humedad del aire, etc. Esto se debe a que el rápido derretimiento de la nieve y el hielo que causa todo el problema depende de un fuerte aumento de la temperatura. Las consecuencias de la inundación, a su vez, dependen de la cantidad de nieve y hielo que lleguen a derretirse y de la cantidad de ellos que lleguen realmente al área de interés.

Este modelo de detección de inundaciones es una prueba de concepto (PoC) basada en datos meteorológicos históricos, algo más precisos que las previsiones meteorológicas. En caso de entrenar el modelo para una predicción de inundaciones en la vida real, elegiríamos valores de la previsión meteorológica 1-2 semanas por delante del momento actual, en función de la tarea a realizar. Para ello, obtendríamos datos meteorológicos de modelos de pronóstico regionales y globales. Por ejemplo, ICON muestra uno de los mejores niveles de precisión en la predicción de la temperatura en torno a 1ºC.

Si alguno de los valores indicadores presenta desviaciones, las predicciones resultantes parecen alejarse demasiado de la realidad. De ahí que nuestros expertos hayan entrenado un modelo basado en indicadores más impactantes y precisos.

Oportunidades Adicionales Del Modelo

Nuestra área de interés en el norte de Kazajistán incluía una gran cantidad de pequeños objetos de infraestructura que corrían peligro de destrucción debido a la inundación de primavera. Es importante mencionar que las capacidades potenciales de nuestros modelos entrenados a medida pueden ampliarse en función de un propósito concreto.

Por ejemplo, es posible que desee mitigar el riesgo de daños por inundaciones para una pequeña ciudad, pero también puede encargar un modelo centrado en aspectos agrícolas, como la predicción de la erosión del suelo y las zonas de productividad de los campos.

Estas son algunas de las posibles implementaciones de nuestros modelos de aprendizaje automático personalizados:

• Monitorización del progreso en objetos de construcción (por ejemplo, cimientos, paredes, tejado). El modelo puede detectar miles de objetos de este tipo.
• Detección de las zonas más adecuadas para la construcción en zonas propensas a inundaciones primaverales.
• Previsión de series temporales basadas en índices de vegetación para empresas agrícolas.

No dude en ponerse en contacto con nosotros para realizar una consulta personal, nuestros expertos le informarán de cómo pueden ajustar nuestros algoritmos para que se adapten a su caso de uso específico.