Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali

Abstract

En este documento se presenta el desarrollo de un modelo predictivo, basado en inteligencia artificial, para la identificación temprana de inundaciones, a partir del análisis de las precipitaciones y el despliegue de sus resultados en una API para consumo público y gratuito. El modelo fue entrenado con un conjunto de datos (30658 filas y 6 columnas), de precipitación horaria para 4 estaciones meteorológicas en la ciudad de Santiago de Cali. Los datos de precipitaciones fueron recolectados de la página del IDEAM (Consulta y Descarga de Datos Hidrometeorológicos, 13 de agosto 2021), que proporciona estos datos de forma libre para consulta pública y los datos de las inundaciones en la ciudad de Cali, fueron recolectados de distintas fuentes como; datos abiertos, Twitter, periódicos en línea, periódicos físicos, bomberos Cali, alcaldía de Cali y gobernación del Valle, esto, debido a que no se contaba con la información específica de la forma en que se necesitaba, y se encontraron 244 datos sobre estas inundaciones provenientes de todas las fuentes. Teniendo en cuenta que los datos fueron sometidos a una extracción y transformación con el objetivo de tener datos limpios y coherentes que puedan utilizarse para análisis, los datos de inundaciones a predecir representaron el 0.8% de su total, es decir 30658 registros, por lo que se recurrió a un modelo predictivo donde el entrenamiento en las secuencias fuera más duradero y que lograra extraer la mayor cantidad de información, junto con el ajuste de parámetros del modelo para mitigar el desbalanceo de datos. El modelo que cumplió con las expectativas fue la arquitectura de red neuronal Transformer que obtuvo un 99% de acierto aproximadamente respecto a los datos de prueba. Para evaluar el desempeño se tuvieron en cuenta las métricas precisión y recall, además de la matriz de confusión binaria en donde se encontró que, tenía en cuenta los datos en su contexto, ya que después de haberse producido una inundación es posible que la continuidad de la lluvia contribuya en el aumento de su peligrosidad. Finalmente, para la visualización de los resultados del modelo se realizó el despliegue de este en un alojamiento gratuito y se realizaron ejemplos de cómo utilizar la API construida.