La Alcaldía de Santiago de Cali (Colombia) creó una herramienta con inteligencia artificial (IA) para predecir los movimientos de tierra causados por las lluvias. Esta tecnología utiliza datos históricos y patrones meteorológicos para anticipar movimientos en masa y proteger así a la ciudadanía de sus causas y efectos.
Con la implementación de un modelo de aprendizaje automático, el sistema analiza características geológicas del terreno y registros de lluvias para generar las alertas. Esta iniciativa es liderada por el Departamento Administrativo de Tecnologías de la Información y las Comunicaciones (DATIC) y la Secretaría de Gestión del Riesgo, y su desarrollo estuvo a cargo del equipo de Sistema de Alertas Tempranas Inteligentes y Comunitarias (SATIC), y el soporte técnico de Amazon Web Services (AWS).
IA, una aliada para prevenir desastres naturales
Con esta implementación, Santiago de Cali se posiciona –según sus desarrolladores– como un referente nacional y regional en Latinoamérica en el uso de IA para gestión de riesgos. En palabras de la Alcaldía, así funciona la solución tecnológica:
- A partir de la IA, se entrenó un modelo de aprendizaje de máquina para reconocer las características del terreno, geología del suelo y patrones de lluvia acumulada en puntos geográficos, con eventos históricos de deslizamiento de tierra entre 1955 y 2023.
- Con los niveles de lluvia recogidos diariamente por los sensores de la Corporación Autónoma Regional del Valle del Cauca (CVC), se predice el riesgo de deslizamiento de tierra.
- Se genera un mapa de calor que calcula el riesgo de deslizamiento en un área de 250 metros cuadrados.
- Según el nivel de riesgo, se activan alarmas en el portal del Sistema de Alertas Tempranas Inteligentes y Comunitarias (SATIC), de la Alcaldía de Santiago de Cali.
Personal de DATIC conversó con +COMUNIDAD para profundizar sobre el desarrollo de esta herramienta. “El objetivo principal es salvar vidas mediante la prevención y mitigación de riesgos de desastres naturales”, sintetizaron.
━ ¿Cuál fue el desafío que intentaban resolver con esta solución?
— A partir del 2020, se evidenció que una consecuencia del cambio climático y de la expansión urbana no planificada fue el incremento del 40% en la atención a eventos de deslizamientos y movimientos en masa (MenM) de tierra asociados con las precipitaciones. El desafío principal era anticipar la ocurrencia de estos eventos por precipitaciones acumuladas, para fortalecer el Sistema de Alertas Tempranas Inteligentes y Comunitarias (SATIC) existente dentro del distrito.
━ ¿Cómo fue el proceso de desarrollo de la herramienta?
— Un equipo técnico, conformado por funcionarios de la Secretaría de Gestión del Riesgo de Emergencias y Desastres y del Departamento Administrativo de Tecnologías de la Información y Comunicaciones de la Alcaldía de Santiago de Cali, formularon un caso de uso de analítica avanzada, de acuerdo con los lineamientos existentes en la entidad para el aprovechamiento masivo de datos e inteligencia artificial. Se precisa que un caso de uso identifica el problema de negocio, los objetivos de analítica, los datos disponibles y necesarios, revisa las referencias aplicadas, propone una solución a implementar en la infraestructura de servicios de nube y establece el plan de trabajo.
Después de ello, con el habilitador tecnológico de los servicios de nube se inició el proceso de preparación de los datos, selección y entrenamiento de modelos de machine learning. El dataset se estructuró a partir del registro histórico de eventos de deslizamientos de tierra, ocurridos entre 1955 y 2023 en la zona geográfica de los cerros occidentales de la ciudad que abarca zona urbana y rural.
Sobre cada punto, se sobrepusieron las características del terreno como elevación, pendiente, tipo de cobertura del suelo, tipo de sustrato geológico y la categoría de riesgo según estudios realizados para el Plan de Ordenamiento Territorial vigente. Adicionalmente, se implementó un modelo para la distribución por polígonos de los niveles de precipitación para 1, 3, 5, 7, 10, 15, 30, 60 y 90. Al final, y con el propósito de balancear el conjunto de datos, se creó la variable “No Evento” para una muestra de puntos geográficos sin registro de deslizamientos de tierra, y se asignaron los mismos atributos del terreno.
El modelo implementado se representa como un mapa de calor, según el predicador de riesgo de deslizamiento, en una herramienta de geovisor desplegada en aplicativo. Los mapas de anticipación al riesgo de MenM se generan de manera diaria de acuerdo con datos sincrónicos de precipitaciones. Se utilizan para monitoreo alerta temprana por parte del equipo técnico de la Secretaría de Gestión del Riesgo de Emergencias y Desastres encargado del Sistema de Alertas Tempranas Inteligentes y Comunitarias. Actualmente, se encuentra en proceso de desarrollo el acople de la herramienta de nuestro portal.
Consejos para replicar esta solución
━ ¿Qué actores participaron en la implementación de esta solución?
— La Secretaría de Gestión del Riesgo de Emergencias y Desastres, el Departamento Administrativo de las Tecnologías de Ia Información y las Comunicaciones – DATIC -, NUVU (habilitador tecnológico de la infraestructura de servicios de Amazon Web Services y del software Houndoc donde se encuentra desplegada la herramienta).
━ ¿De qué manera se beneficia la comunidad de Cali con esta tecnología?
— El objetivo principal es salvar vidas mediante la prevención y mitigación de riesgos de desastres naturales. Este modelo de IA le permite a la Alcaldía de Santiago de Cali anticipar la ocurrencia de deslizamientos y activar el sistema de alertas tempranas. El monitoreo constante de las predicciones, permite también orientar los recursos públicos hacia la prevención. Y también evaluar el efecto de la acción antrópica sobre los eventos de deslizamiento.
━ ¿Qué consejo le darías a una ciudad que quisiera replicar esta solución?
— La recomendación estaría orientada a que capturen, guarden y/o archiven, un registro histórico y georreferenciado de los eventos relacionados con desastres naturales. Dado que se requieren los datos históricos y estructurados para que los modelos predictivos sean efectivos.
¿Te gustaría recibir, una vez al mes, soluciones inspiradoras como las de esta nota en tu correo? ¡Suscribite, de forma gratuita, a nuestro Boletín Ideas & Inspiración!
Imagen principal: Alcaldía de Santiago de Cali, Colombia
