Los incidentes relacionados con las carreteras son una de las principales causas de muertes por inundaciones en todo el país, pero las herramientas limitadas para informar sobre inundaciones dificultan la evaluación de las condiciones de las carreteras en tiempo real.

Herramientas existentes: cámaras de tráfico, sensores de nivel de agua e inclusodatos de redes socialesâpueden proporcionar observaciones de inundaciones, pero a menudo no están diseñadas principalmente para detectarcondiciones de inundaciónen carreteras y no funcionan en conjunto.Una red de sensores podría mejorar la conciencia situacional sobre el nivel de inundación;sin embargo, su funcionamiento a escala es caro.

Los ingenieros de la Universidad Rice han desarrollado una posible solución a este problema: un marco de fusión de datos automatizado llamado OpenSafe Fusion.OpenSafe Fusion, abreviatura de Open Source Situational Awareness Framework for Mobility usando Data Fusion, aprovecha los mecanismos de informes individuales existentes y las fuentes de datos públicos para detectar la rápida evolución.condiciones del caminodurante las inundaciones urbanas, que son cada vez más frecuentes.

Jamie Padgett, profesor de ingeniería Stanley C. Moore de Rice y presidente del Departamento de Ingeniería Civil y Ambiental, junto con Pranavesh Panakkal, investigador postdoctoral en ciencias civiles yingeniería ambiental, analizaron datos de nueve fuentes en Houston antes de desarrollar el marco integral para el sistema de datos automatizado en su investigación.

El estudio titulado "Más ojos en la carretera: detectar carreteras inundadas mediante la fusión de observaciones en tiempo real de fuentes de datos públicos" espublicadoen el diarioIngeniería de confiabilidad y seguridad del sistema.

"Si bien las fuentes que observan directamente las carreteras inundadas son limitadas, los centros urbanos están repletos de fuentes que observan directa o indirectamente las inundaciones o las condiciones de las carreteras", dijo Padgett.

Padgett y Panakkal plantearon la hipótesis de que un sistema automatizado que combine conocimientos de estas fuentes en tiempo real podría revolucionar la conciencia situacional de las inundaciones sin una inversión significativa en nuevos sensores.

"Este estudio ofrece a las comunidades una vía para detectar y responder de manera equitativa a los factores estresantes urbanos, como las inundaciones, utilizando fuentes de datos existentes", dijo Padgett.

"Se basa y está inspirado en nuestra colaboración de larga data con colegas del Centro SSPEED en Rice, que han estado desarrollando sistemas de alerta de inundaciones de última generación. Aquí nos centramos en los impactos de las inundaciones eninfraestructura de transportey centrarse en comprender cómo otras fuentes de datos pueden complementar la información de los modelos de inundaciones, especialmente con respecto al impacto en las carreteras y la movilidad segura".

El marco utiliza datos de fuentes como alertas de tráfico, cámaras e incluso la velocidad del tráfico, y aprovecha el aprendizaje automático y la fusión de datos para predecir si una carretera está inundada o no.

El valor de dichas fuentes de datos fue evidente durante el huracán Harvey en 2017, cuando muchas personas en Houston, incluidos los servicios de emergencia, recurrieron a examinar manualmente las fuentes de datos para inferir las condiciones probables de las carreteras para superar la falta de datos confiables sobre el estado de las carreteras en tiempo real.

Para probar el proceso OpenSafe Fusion, los investigadores utilizaron datos históricos de inundaciones observados durante Harvey para recrear el escenario en el marco, que consta de alrededor de 62.000 carreteras en la región de Houston.

"El modelo pudo observar alrededor de 37.000 enlaces de carreteras, lo que representa alrededor del 60% de la red que consideramos, y eso es una mejora significativa", dijo Panakkal.

Otrofuentes de datosLos que podrían usarse en el marco incluyen: sensores de nivel de agua, portales ciudadanos, crowdsourcing, redes sociales, modelos de inundaciones y un factor al que el estudio se refiere como "humano en el circuito".

Esta última fuente es especialmente importante, afirma Panakkal, ya que el elemento humano de OpenSafe Fusion permite el uso responsable de la inteligencia artificial (IA).

"No queremos un sistema totalmente automatizado y sin ningún control humano", afirmó Panakkal.

"El modelo puede hacer una predicción errónea, lo que podría poner en peligro a los miembros de la comunidad que decidan arriesgarse a viajar basándose en esta predicción. Por eso diseñamos salvaguardas basadas en el uso responsable de la IA. Esta necesidad de una IA responsable en dichas herramientas sigue siendo un área abierta para seguir trabajando, y esperamos profundizar más a medida que probamos nuestros métodos en el futuro".

El estudio también consideró los impactos de las inundaciones en el acceso de la comunidad a instalaciones críticas como hospitales y centros de diálisis durante un desastre natural.

"Esto damiembros de la comunidadosocorristas de emergenciacomprender qué caminos están inundados y cómo navegar con seguridad hasta un lugar", dijo Panakkal.

Padgett dice que los investigadores esperan realizar pruebas, validaciones y exploraciones exhaustivas de cómo comunidades con diferentes escalas y disponibilidad de recursos podrían utilizar este marco para detectar mejor las condiciones de las carreteras durante una inundación.

"Teniendo en cuenta los impactos del cambio climático y los fenómenos meteorológicos exacerbados por el clima, la frecuencia e intensidad de las inundaciones podrían aumentar en el futuro, por lo que necesitamos una solución para responder mejor a las inundaciones y sus impactos en la infraestructura", dijo Padgett.

Más información:Pranavesh Panakkal et al, Más ojos en la carretera: detectar carreteras inundadas mediante la fusión de observaciones en tiempo real de fuentes de datos públicos,Ingeniería de confiabilidad y seguridad del sistema(2024).DOI: 10.1016/j.ress.2024.110368