El gigante tecnológico Google está ampliando sus aprendizajes de un proyecto piloto en Patna para proporcionar alertas de inundación en formato de texto simple a personas en muchas partes del país utilizando técnicas sofisticadas de aprendizaje automático. El Ministerio de Recursos Hídricos de la Unión proporciona a Google datos sobre los niveles de agua de los ríos para preparar dichas alertas públicas.
Un mes después de las devastadoras inundaciones de Kerala, Google envió un conjunto de alertas de advertencia de inundaciones a principios de septiembre como parte del proyecto piloto en el este de la India. Si bien estas alertas se enfocaron en las áreas alrededor de Patna que bordean el río Ghaghara, la compañía con sede en California ahora la está ampliando antes de la temporada del monzón para cubrir muchas más partes del país. India representa el 20 por ciento de las muertes relacionadas con las inundaciones en todo el mundo.
En el programa piloto, implementado en colaboración con la Comisión Central del Agua en India, Google mostró, a través de Public Alerts, un mapa que incluía las áreas designadas como "de alto riesgo", "de riesgo medio" y "de bajo riesgo". El piloto utilizó un modelo hidrodinámico operacional, con el objetivo explícito de preparar el terreno para la integración de los modelos de Aprendizaje de Máquina (ML) en el proceso. Las alertas se enviaban a individuos en el área de captación en forma de mapas y notificaciones de Android.
Se eligió a Patna para el piloto debido a su gran población y uno de los casos más frecuentes de inundaciones fluviales graves. “Después de que enviamos las alertas, esto nos permitió ver cómo las personas experimentan e interactúan con las alertas que enviamos. Nos hemos dado cuenta de que muchas personas prefieren el texto que describe la misma información que muestran nuestros mapas ", dijo Sella Nevo, del equipo de Investigación de Inteligencia de la Máquina de Google. "Esto nos permitió estar relativamente seguros de que nuestro programa piloto también será informativo mientras nos preparamos para ampliar nuestros esfuerzos … Nuestras alertas, aunque con un alcance limitado para nuestro primer programa piloto, lograron resultados con los que estamos contentos", dijo Nevo.
Hay una serie de nuevas tecnologías y métodos para la creación de mapas de pronóstico de inundaciones. Por ejemplo, la tecnología 'LDAR' (detección de luz y alcance), que tiene la capacidad de obtener elevaciones precisas en toda la llanura de inundación de forma rápida y asequible, y TRIMR2D (Modelo de Inundación Transitoria para Ríos 2 Dimensionales), un programa de computadora numérico, que puede simular la inundación fluye a través de la llanura de inundación y varias millas río abajo desde el punto de pronóstico. Luego, hay un software de análisis espacial (GIS) que convierte los resultados del modelo en mapas y los superpone en otros mapas, como un mapa de una localidad, o incluso en una toma aérea.
Sin embargo, la previsión efectiva de inundaciones fluviales a escala se ve obstaculizada por una serie de factores, como la necesidad de confiar en la calibración humana en la metodología actual, la cantidad limitada de datos para una ubicación específica y la dificultad computacional de construir modelos a nivel de continente que Son suficientemente precisos.
Un funcionario del Ministerio de Recursos Hídricos de la Unión dijo que el gobierno espera que la colaboración con Google ayude en los esfuerzos de gestión de inundaciones. "La iniciativa (con Google) podría ayudar a las agencias de manejo de crisis a lidiar con eventos hidrológicos extremos de una mejor manera", dijo el funcionario. Google dice que su modelado basado en ML proporciona una amplia gama de mejoras sobre los modelos tradicionales basados en la física. "ML está preparado para ser ventajoso en este escenario, ya que algunos modelos a menudo superan a los expertos humanos en escenarios complejos de alta dimensión, y el marco de la transferencia o el aprendizaje multitarea es una solución atractiva para aprovechar las señales locales para lograr un mejor desempeño global".
“Primero, puede permitir la incorporación de tipos adicionales de datos, detalles y matices, que son descuidados por los modelos basados en la física o modelados de manera incorrecta. En segundo lugar, permite modelos mucho más eficientes, críticos para escalar este esfuerzo en toda la India y eventualmente a nivel mundial. Finalmente, permite automatizar muchos de los procesos que deben implementarse manualmente utilizando los métodos existentes, lo que reduce drásticamente los costos y nos permite escalar ”, dijo Nevo.
En septiembre del año pasado, durante las inundaciones de Kerala, un equipo conjunto de investigadores de la Universidad Tecnológica de Michigan y la Universidad de Kerala elaboraron un mapa de inundaciones con imágenes satelitales y datos del satélite de radar de la Agencia Espacial Europea Sentinel para mapear las áreas inundadas en Kerala durante y siguiendo las inundaciones. El equipo siguió la asignación con una visita de campo para validar los datos.