Los incidentes relacionados con las carreteras son la principal causa de muertes por inundaciones en todo el país, pero los limitados dispositivos de notificación de inundaciones dificultan la evaluación de las condiciones de las carreteras en tiempo real.
Las herramientas existentes (cámaras de tráfico, sensores de nivel de agua e incluso datos de redes sociales) pueden proporcionar observaciones de inundaciones, pero a menudo no están diseñadas principalmente para detectar las condiciones de inundación en las carreteras y no funcionan juntas. Una red de sensores puede mejorar la concienciación sobre el nivel de inundaciones. 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. OpenSafeFusion, abreviatura de un marco de conocimiento situacional de código abierto para la movilidad mediante la fusión de datos, aprovecha los mecanismos de informes individuales existentes y las fuentes de datos públicos para mejorar la seguridad vial durante las inundaciones urbanas. Se puede sentir que las condiciones cambian rápidamente y se vuelven 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 el investigador postdoctoral de Ingeniería Civil y Ambiental Parnavish Pinnacle, analizaron datos de nueve fuentes en Houston antes de desarrollar un marco integral. Sistemas de datos automatizados en su estudio de investigación publicado en la revista “More Eyes on the Road: Sensing Flooded Roads by Fusing Real-Time Observations from Public Data Sources”. Ingeniería de confiabilidad y seguridad de sistemas.
“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 inundaciones sin una inversión significativa en nuevos sensores.
“Este estudio proporciona una manera para que las comunidades comprendan y respondan a los factores estresantes urbanos, como las inundaciones, utilizando fuentes de datos existentes”, dijo Padgett. “Se basa en nuestra colaboración de larga data con colegas del Centro SSPEED de Rice, que están desarrollando sistemas de alerta de inundaciones de última generación. Aquí nos centramos en el impacto de las inundaciones en la infraestructura de transporte y la comprensión se centra en cómo otras fuentes de datos pueden complementar la información de los modelos de inundaciones, particularmente en lo que respecta a los impactos en las carreteras y el movimiento seguro”.
El marco utiliza datos de fuentes como alertas de tráfico, cámaras e incluso velocidades 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 verificar manualmente las fuentes de datos para evaluar las posibles condiciones de las carreteras.
Para probar el proceso de fusión OpenSafe, los investigadores utilizaron datos históricos de inundaciones observados durante Harvey para recrear el escenario en un marco que consta de aproximadamente 62.000 calles en el área de Houston.
“El modelo pudo observar alrededor de 37.000 enlaces viales, lo que representa aproximadamente el 60% de la red que consideramos, y eso es una mejora significativa”, dijo Pinkel.
Otras fuentes de datos que se pueden utilizar en el marco incluyen: sensores de nivel de agua, portales ciudadanos, crowdsourcing, redes sociales, modelos de inundaciones y un factor que estudia el “bucle interno humano”.
Esta última herramienta es particularmente importante, dice Pinkkal, porque el elemento humano de OpenSafeFusion permite el uso de inteligencia artificial (IA) responsable.
“No queremos un sistema que esté completamente automatizado y que no tenga control humano”, afirmó Pinkel. “El modelo puede hacer predicciones incorrectas, lo que puede poner en riesgo a los miembros de la comunidad que deciden arriesgarse a viajar basándose en esa predicción. Por eso hemos desarrollado una estrategia de seguridad basada en el uso de IA responsable. Esta necesidad de una IA receptiva en tales herramientas es “Todavía hay un área abierta para seguir trabajando y esperamos profundizar más en futuras pruebas de nuestros métodos”.
El estudio también consideró el impacto de las inundaciones en el acceso de la comunidad a instalaciones críticas como hospitales y centros de diálisis durante desastres naturales.
“Esto permite a los miembros de la comunidad o al personal de emergencia comprender qué caminos están inundados y cómo llegar a un lugar de manera segura”, dijo Pinnacle.
Padgett dice que los investigadores esperan probar, validar y explorar exhaustivamente cómo comunidades de diferente escala y disponibilidad de recursos pueden utilizar este marco para comprender mejor las condiciones de las carreteras durante las inundaciones.
“Teniendo en cuenta los efectos del cambio climático y los fenómenos meteorológicos más extremos, la frecuencia y gravedad de futuras inundaciones pueden aumentar, por lo que debemos ser más conscientes de las inundaciones y su impacto en la infraestructura”, dijo Padgett. Se necesita una solución para responder. mejor.”
