Monitoreo y pronóstico de nivel en afluentes, como ...

Monitoreo y pronóstico de nivel en afluentes, como herramienta para sistemas de alertas tempranas basados en

redes de sensores inalambricos (WSN)

. Gabriel A. Puerta.

Corporación Universitaria Minuto de Dios.

Bogotá, Colombia [email protected]

Maria F. Chaparro Corporación Universitaria

Minuto de Dios. Bogotá, Colombia

[email protected]

Fernando Alvarez Corporación Universitaria


[email protected]

Pablo U. Fonseca Corporación Universitaria


[email protected]

Abstract— The research of WSN (Wireless Sensors Network) technology allows a set of practical solution in which the intervention of people must be at a minimum In the risk of river flooding events in Colombia, some algorithms as ARIMA is of interest as a method for WSN generated data management, looking to develop a reliable forecast based on the occurrence of this natural disasters. The results will allow not only assessing the reliability, but also consolidating an investigation basis about the hydrographic basin monitoring.

Keywords— WSN Networks, ARIMA Models, Floods, Early warning systems, Forecasting.

Resumen --- El desarrollo de la tecnología conocida como Redes de Sensores Inalámbricos (WSN por sus siglas en inglés), permite el planteamiento de soluciones prácticas en aplicaciones en donde la intervención de personas debe ser mínima. Para el caso de riesgo por inundaciones en Colombia, es de interés desarrollar pronósticos acerca de la ocurrencia de estas catástrofes naturales haciendo uso de algoritmos predictivos (ej. ARIMA, ANFIS, etc.) como método para llevar a cabo el manejo de información proveniente de una WSN, y de esta forma tener un pronóstico confiable que permita tomar las decisiones del caso. Los resultados permitirán no solo evaluar la confiabilidad de la WSN, sino también consolidar una base de investigación acerca del monitoreo de cuencas hidrográficas.

I. INTRODUCCIÓN Entre las nuevas tecnologías de la información, las WSN

(por sus siglas en ingles Wireless Sensor Networks) posibilitan la implementación de aplicaciones que benefician a las comunidades que habitan en zonas que presentan un riesgo identificado por inundación. Colombia es un país caracterizado por un abundante recurso hídrico y gran cantidad de población humana asentada sobre las riveras de los mismos,

presentándose una alta probabilidad de desastres asociados a desbordamientos e inundaciones.

Con el propósito de llevar a cabo acciones oportunas ante la inminencia de una catástrofe asociada con desbordamientos de ríos y otros afluentes, los sistemas de alertas tempranas (EWS por sus siglas en inglés Early Warning Systems) son una alternativa para la toma de decisiones. Estos sistemas buscan, mediante la aplicación de algoritmos de estimación, tomar información de la red de sensores para generar un pronóstico oportuno aplicado a la mitigación del riesgo asociado. La aplicación de estos conceptos al caso colombiano, permitirá no solo implementar un sistema tecnológico que funcione de forma desatendida, sino que también puede constituirse con el tiempo en un referente para la caracterización histórica del comportamiento de afluentes en el territorio nacional.

.

II. MONITOREO DE AFLUENTES Y RIESGO POR INUNDACIONES EN COLOMBIA

Las temporadas invernales han sido típicamente sinónimo de desastres naturales en Colombia. Hechos como la temporada invernal de los años 2010 – 2011 [1]. y la reciente tragedia en Salgar (Antioquia) en mayo de 2015, son indicadores del riesgo generalizado que representa para las poblaciones ribereñas las crecidas súbitas y las inundaciones en los afluentes. El uso inadecuado del terreno, el aumento de los asentamientos humanos en zonas inundables, la deforestación en riberas de ríos, entre otros, son fenómenos que aumentan los riesgos de pérdidas económicas y humanas en temporadas invernales. Ejemplo de esto, son las cerca de 2.350.000 personas que fueron damnificadas en la ola invernal de 2011 según cifras que el DANE presentó al Fondo Nacional de Calamidades («CEPAL - Valoración de daños y pérdidas. Ola invernal en Colombia 2010-2011Documentos con sigla», s. f., «Dane reportó cifras definitivas de damnificados por invierno», s. f.) [2]., incluyéndose en este informe otras cifras relacionadas con la cantidad de pérdidas en cultivos, ganado, especies menores, entre otras.

Como parte de las medidas para monitorear el

comportamiento de los afluentes en el territorio colombiano, el IDEAM cuenta con alrededor de 1994 estaciones meteorológicas, de las cuales el 68% son estaciones pluviométricas y pluviográficas, pero el 12% del gran total son estaciones automática [8]. Esto indica que en el resto de casos el monitoreo del comportamiento de afluentes respecto a las precipitaciones se hace mediante pluviómetros y escalas hidrométricas que deben ser monitoreadas de forma continua por personal dedicado a estas labores.

Debe tenerse en cuenta que Colombia es un país

caracterizado por un abundante recurso hídrico, lo cual se ha convertido en un aspecto a analizar dado el riesgo que representan los asentamientos humanos en las riberas de ríos y otros afluentes. Según un estudio del Banco Mundial, del total de colombianos, el 12% vive en zonas de alto riesgo por inundaciones, lo que representa una vulnerabilidad para el 28% de los habitantes de las rondas de ríos y quebradas («Tres de cada 10 colombianos, en riesgo por inundación y deslizamiento - Otras ciudades - El Tiempo», s. f.).

Teniendo en cuenta lo anterior, la falta de información

confiable sobre el nivel de afluentes en Colombia, combinado con los asentamientos humanos que habitan estas riveras, hace necesaria la implementación de soluciones que mitiguen el riesgo que las crecientes representan para la integridad de las personas, los animales y los bienes que poseen.

III. SISTEMAS DE ALERTAS TEMPRANAS APLICADOS A INUNDACIONES

Los Sistemas de Alerta Temprana conocidos como EWS (Early Warning Systems), son un conjunto de procedimientos e instrumentos, a través de los cuales se monitorea una amenaza o evento adverso (natural o antrópico) de carácter previsible, se recolectan y procesan datos e información, ofreciendo pronósticos o predicciones temporales sobre su acción y posibles efectos («Documento: Sistemas de Alerta Temprana 10 preguntas y 10 respuestas para la comunidad educativa de Panamá.», s. f.). Los EWS se caracterizan por tener cuatro elementos básicos: conocimiento de los riesgos asociados, servicio técnico y servicios de alerta, la comunicación y difusión efectiva de la misma, y la toma de decisiones oportunas por parte de las comunidades y/o los organismos encargados (UN Secretariat of the International Strategy for Disaster Reduction (UN/ISDR), 2006).

Estos sistemas empezaron a ser implementados en el año de

1960 por parte de la Organización de Naciones Unidas (ONU), pero solo hasta el año de 1970 fueron formalizados a través de la expedición de la resolución 2717 de esta entidad. En el año 1999 la ONU adoptó la resolución 54/219 en la cual se plantea la estrategia para la Reducción de Desastres(Domínguez-Calle & Lozano-Báez, 2014).

Son muchos los ámbitos en donde es aplicable hablar de

alertas tempranas, poniendo como ejemplo los deportes («About Early Warning System GmbH», s. f.), situaciones de población vulnerable en conflictos armados («Sistema de alertas tempranas - SAT», s. f.), apoyo a directivos de centros de educación sobre situación de estudiantes (National High School Center, s. f.), salud pública («WHO | Early warning systems», s. f.), entre muchos otros.

En Colombia existen distintas entidades e iniciativas tanto

privadas como gubernamentales que se encargan de la creación y manejo de sistemas de alertas tempranas para desastres naturales, entre los que se pueden citar: La Unidad Nacional para la Gestión del Riesgo de Desastres (UNGRD), encargada de manejar el Sistema Nacional para la Gestión del Riesgo de Desastres (SNGRD)., y Sistemas de Alertas Tempranas locales como el Sistema de Alerta Temprana del Distrito Capital de Bogotá, el cual es operado por una serie de entidades distritales, las cuales conforman el Sistema Distrital de Gestión del Riesgo y Cambio Climático (SDGR-CC), y el Sistema de Alerta Temprana Ambiental (SLATA), el cual pertenece a la ciudad de Medellín y su área metropolitana. También vale la pena destacar el Sistema de alerta temprana para la cuenca del río Combeima, el cual tiene como objetivo: “mitigar el impacto de las inundaciones, los flujos de lodos y avalanchas, los deslizamientos, las erupciones volcánicas y los movimientos del terreno causados por sismos; está conformado por una red de monitorización compuesta por estaciones instaladas y operadas por el IDEAM, y por estaciones automáticas operadas por el Comité Regional de Prevención y Atención de Desastres del Tolima (CREPAD)” (Domínguez-Calle & Lozano-Báez, 2014).

IV. LAS REDES DE SENSORES EN SISTEMAS DE ALERTAS TEMPRANAS POR INUNDACIÓN

Todos los sistemas mencionados anteriormente se caracterizan por manejar elementos de medición y transmisión tradicionales. Estos son, en su mayoría, equipos que requieren de personal dedicado a la toma de datos y/o supervisión de los equipos instalados. Aun los equipos que previamente fueron mencionados en este artículo como automáticos (12% del gran total de estaciones meteorológicas instaladas en Colombia) tienen la característica de cubrir grandes áreas con una sola estación.

Como alternativa a los sistemas tradicionales de monitoreo,

las redes de sensores inalámbricos (WSN - Wireless Sensor Networks) constituyen una alternativa para el monitoreo de eventos climatológicos de forma distribuida y desatendida.

Por definición, una red de sensores inalámbricos son

sistemas distribuidos, construidos con dispositivos autónomos y cooperativos, conocidos como nodos sensores, los cuales poseen recursos de cómputo, comunicación, almacenamiento

de datos y recursos energéticos limitados («Random Geometric Graphs and Their Applications», s. f.).

Como ejemplo de implementación de este tipo de redes de sensores se puede mencionar a Smarty River, elaborado por una empresa española que, entre otras, ha montado un sistema de alertas tempranas para eventos de inundación, el cual genera alarmas que pueden ser vistas en un dispositivo móvil(«Smarty River, sistema de alerta temprana del riesgo de inundación», s. f.). La tecnología base para la red de sensores son dispositivos tipo Zigbee, los cuales son monitoreados por estaciones que envían la información recolectada a un sistema de procesamiento.

V. PRONOSTICOS EN SISTEMAS DE ALERTAS TEMPRANAS POR INUNDACIÓN

En general los sistemas de alerta temprana, presentan un monitoreo de los niveles del afluente comparándolos con unos intervalos de medición histórico y de acuerdo al valor monitoreado se emite una alerta, naranja, roja o verde si su nivel no presenta riesgo.

El objetivo principal de este trabajo de investigación es

implementar un sistema de monitoreo de nivel de afluentes, basado en redes de sensores inalámbricos WSN, que operen de forma descentralizada y autónoma. Adicionando un modulo de pronósticos basado en el análisis de series de tiempo e implementando modelos de auto regresión integrados con media móvil ARIMA; Como una herramienta que contribuya a la generación de alarmas efectivas.

El modelo ARIMA (por sus siglas en inglés de

Autorregresive Integrated Moving Average), fue desarrollada por Box y Jenkins en el año 1970, en esta modelación la variable tiempo tiene un papel muy importante en la identificación, estimación y diagnóstico de modelos dinámicos de series de tiempo. En una metodología ARIMA se supone que en cualquier momento del tiempo el comportamiento de la variable está afectado por las observaciones de la propia variable (recientes o remotas), asociadas a un modelo mediante los términos autor regresivos (AR) y los errores o influencia de los elementos aleatorios (recientes o remotos) que se representan con los términos de medias móviles (MA), por lo cual los modelos ARIMA se consideran usualmente los más precisos en la definición de pronósticos, en la actualidad, y son especialmente los más apropiados para el análisis de las series de periodicidad cortas (horas, días, semanas), frecuentemente se recurre a ellas para la vigilancia y de las que se puede obtener un historial relativamente largo (Mariel, 2007).

(Martínez Tapia, 2005) asegura que los objetivos del análisis

de series de tiempo son numerosos, en especial la predicción, el control de un proceso, la simulación de procesos y la generación de nuevas teorías físicas o biológicas. Así mismo indica que se denomina predicción a la estimación de valores futuros de la variable en función del comportamiento pasado de

la serie, objetivo que es muy utilizado en el campo de la ingeniería y la economía.

De esta forma, la predicción mediante modelos basados en la teoría de series de tiempo puede ser aplicada, entre otras, en la predicción meteorológica o en la predicción de otros fenómenos naturales.

Algunas de Las características principales de los modelos

ARIMA son: Toman como pauta la serie de tiempo en el pasado. Descartan la información de variables causales. Estimación o predicción de una sola variable. Permite la retro-alimentación del modelo para hacer una

selección adecuada (Zhou, Yan, Ni, Li y Nie 2006). Las observaciones recientes son usadas como valor inicial en

la iteración posterior. Tiene en cuenta el análisis de errores recientes para la

selección del ajuste necesario (Areekul, Senjyu, Toyama, Yona, 2010) .

Los modelos ARIMA están construidos a través de otros

modelos utilizados para el análisis de las series de tiempo. La representación de las características principales de los modelos de análisis de series de tiempo para construir los modelos ARIMA se muestra a continuación:

Modelos Autor regresivos, AR(p) Estos modelos están descritos de la forma:

!" = % + '(!"-( + ⋯+ '+!"-+ + ,"(1) En los modelos autorregresivos, su proceso es representado

por la suma ponderada de las observaciones pasadas de la variable de la serie. El orden de regresión (p) se infiere de del número de rezagos (Suhartono, Akbar, Lee, 2012).

Modelos de Media móvil, MA(q) Los modelos de media móvil se caracterizan por la suma

ponderada de los errores presentes y los pasados. La selección del orden del modelo (q) se encuentra relacionado con el número de rezagos de error (Kumar, Patil, 2015).

!" = µ + '" + ∅) + '"-) …+∅, + '"-,(2)

Modelos híbridos Autorregresivos con Media móvil,

ARMA(p,q) Estos modelos construyen su proceso a través de la

representación de funciones de los valores presentes, los rezagos de error y las observaciones pasadas de su variable (Areekul, Senjyu, Toyama, Yona, 2009). El orden del modelo estará estrictamente relacionado con el número de rezagos de la variable de interés (p), adicional a esto el número de rezagos de error (q) completan el orden del modelo (Hai-yan, 2010).

!" = % + '(!"-( + ⋯+ '+!"-+ + ,"(3) +µ + $% + ∅' + $%-' …+∅* + $%-*

Modelos Autor regresivos Integrados de Promedio Móvil

ARIMA(p,q,d) Estos modelos nacen de la necesidad de evaluar muchas

series de tiempo que no presentan estacionalidad. La estacionariedad en algunas series homogéneas se puede conseguir al diferenciar los valores de la misma una o más veces.

!"$% es una serie homogénea no estacionaria , podemos

conseguir una serie estacionaria de la siguiente forma:

!" = ∆&'"(4) ∆"# = "#-"#-'(5)

∆"#$%& = ∆"%&-∆"%&-$(6) Una vez se conseguida la estacionariedad de la serie !" a

través de la diferenciación de la misma, Obteniendo !" . Se dice:

!" = % + '(!"-( + ⋯+ '+!"-+ + ," +µ + $% + ∅' + $%-' …+∅* + $%-*(7)

Denotando que !" obedece a un proceso ARMA(p,q) y !"

obedece a un proceso ARIMA (p,q,d).

VI. PROCEDIMIENTO PARA LA REALIZACION DE PRONOSTICOS EN SISTEMAS DE ALERTAS TEMPRANAS POR

INUNDACIÓN

Una vez se obtiene el histórico de información enviado por la red de sensores inalámbricos, se cuenta con una serie de tiempo que representa el histórico de los niveles de caudal y precipitación. Esta serie se le dará tratamiento de acuerdo a la metodología Box- Jenkins para la consecución del modelo ARIMA (p,q,d) (Ye Ren, Srikanth, Sarkar, 2013). Considerando evaluar su efectividad para la generación de un pronóstico de cortísimo plazo confiable.

FIG. 1. Serie histórica nivel de Afluente.

Fuente: Autor del proyecto

Se utilizó una serie de mil datos históricos dividíos por

minutos para la selección del modelo a utilizar. Una vez se obtiene la serie se aplica la función de auto correlación y la auto correlación parcial, con el fin de identificar el orden de regresión y del promedio móvil.

FIG. 2. Función de auto correlación y auto correlación parcial.


En la figura 2 se puede observar por el número de rezagos de

las observaciones anteriores y el comportamiento de los mismos, que la serie no muestra estacionariedad, razón por la cual debe ser diferenciada.

FIG. 3. Serie diferenciada.


Se vuelve a evaluar las funciones de auto correlación y auto

correlación parcial, para analizar el comportamiento de la tendencia y estacionariedad por medio de los rezagos (Otok, Suhartono; Faulina, Kuswanto, 2012).

FIG. 4. Función de auto correlación y auto correlación parcial en la serie diferenciada.


En la figura 4 se observa que el número de rezagos

disminuye lo cual nos permite obtener el orden de regresión del modelo p(2) y el orden de diferenciantes realizadas q(2) y el grado de diferenciaciones d(1).

FIG. 5. Función de auto correlación y auto correlación parcial en la serie diferenciada Distribución frente a lo normal.


Una vez validado el modelo frente a la serie obteniendo un

mínimo erro cuadrado medio por debajo del 0.9, se acepta el modelo y se realiza el pronóstico obteniendo:

FIG. 6. Pronostico de cortísimo plazo para la serie obtenida.


Encontrando así un valor asociado al pronóstico de cortísimo

plazo, que para este caso es de tan solo 10 valores, que puede ser validado con el histórico real una vez ocurra o con el error promedio de los pronósticos realizados.

VII. CONCLUSIONES Y TRABAJOS FUTUROS Los pronósticos pueden ser una herramienta determinante en

la toma de decisiones, más aun cuando esta decisión puede preservar vidas. La razón por la cual se incluye una herramienta de estimación, es la de poder obtener minutos y/o horas de anticipación la alerta de inundación en zona de rivera y de esta manera contar con decisiones más acertadas y evacuaciones mas eficaces.

Las series de tiempo de los históricos que representa los

niveles de los afluentes, las precipitaciones en zonas de rivera pueden establecerse como modelos ARIMA(p,q,d), y de esta manera tratar de estimar con un margen de error pequeño el comportamiento de los mismos.

Los modelos ARIMA(p,q,d), implementados para este tipo de pronósticos, presenta exactitud para pronósticos de tiempos cortísimos, pero comienzan a perder esa exactitud en promedios de corto, medo y largo plazo.

Como trabajo futuro puede construirse un sistema de

pronóstico automático y recurrente que se adapte y se autoajuste a los cambios de la serie para, que esta forma el margen de error cada vez sea menor. Obteniendo así de esta forma series más extensas y pronósticos mas acertados y eficaces.

VIII. REFERENCIAS

[1] About Early Warning System GmbH. (s. f.). Recuperado 24 de septiembre de 2014, a partir de https://www.fifa-ews.com/en/

[2] CEPAL - Valoración de daños y pérdidas. Ola invernal en Colombia 2010-2011Documentos con sigla. (s. f.). Recuperado 28 de septiembre de 2015

[3] Dane reportó cifras definitivas de damnificados por invierno | EL UNIVERSAL - Cartagena. (s. f.). Recuperado 28 de septiembre de 2015

[4] Documento: Sistemas de Alerta Temprana 10 preguntas y 10 respuestas para la comunidad educativa de Panamá. (s. f.). Recuperado 24 de septiembre de 2014, a partir de

[5] http://www.cridlac.org/digitalizacion/pdf/spa/doc19079/doc19079.htm [6] Domínguez-Calle, E., & Lozano-Báez, S. (2014). Estado del arte de los

sistemas de alerta temprana en Colombia. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 38, 321 - 332.

[7] Gómez Martínez, Maria Teresa. DIAGNOSTICO SITUACION DE RIESGOS HIDROMETEOROLOGICOS EN COLOMBIA Y AVANCES EN LA ZONIFICACION DE RIESGOS. Recuperado a partir de http://cra.gov.co/apc-aafiles/36666164373034386433323930303464/10._Situaci_n_del_riesgo_de_desastres_en_Colombia_IDEAM.pdf

[8] J. F. Boshell V. \iGESTIÓN DE INFORMAIÓN AGROCLIMÁTICA EN COLOMBIA (Informe de Consultoría) (p. 40). Comunidad Andina.

[9] National High School Center. (s. f.). Prevent dropout with an Early Warning System. Recuperado 24 de septiembre de 2014, a partir de http://www.betterhighschools.org/ews.asp

[10] Random Geometric Graphs and Their Applications. (s. f.). Recuperado 29 de septiembre de 2015, a partir de http://www.ugc.edu.hk/rgc/rgcnews18/eng/05.htm

[11] Sistema de alertas tempranas - SAT. (s. f.). Recuperado 24 de septiembre de 2014, a partir de http://www.defensoria.gov.co/es/public/atencionciudadanoa/1469/Sistema-de-alertas-tempranas---SAT.htm

[12] Smarty River, sistema de alerta temprana del riesgo de inundación. (s. f.). Recuperado 29 de septiembre de 2015, a partir de http://www.smartyplanet.com/

[13] Tres de cada 10 colombianos, en riesgo por inundación y deslizamiento - Otras ciudades - El Tiempo. (s. f.). Recuperado 29 de septiembre de 2015, a partir de http://www.eltiempo.com/colombia/otras-ciudades/riesgo-por-inundaciones-y-deslizamientos-en-colombia/15786157

[14] UN Secretariat of the International Strategy for Disaster Reduction (UN/ISDR). Desarrollo de Sistemas de Alerta temprana: Lista de Comprobación (p. 10). Presentado en Tercera Conferencia Internacional sobre Alerta Temprana, Bonn, Alemania.

[15] WHO | Early warning systems. (s. f.). Recuperado 24 de septiembre de 2014, a partir de http://www.who.int/csr/labepidemiology/projects/earlywarnsystem/en/

[16] Coutin Mariel, G. Utilización de modelos ARIMA para la vigilancia de enfermedades transmisibles. Revista Cubana de Salud Pública, 1-15.

[17] Martínez Tapia, M. E. Series de Tiempo. Modelos ARIMA. Medicina Universitaria, 49-51.

[18] Zhou, M.; Yan, Z.; Ni, Y.X.; Li, G.; Nie, Y. Electricity price forecasting with confidence-interval estimation through an extended ARIMA approach. Generation, Transmission and Distribution, IEE Proceedings- , vol.153, no.2, pp.187-195.

[19] Areekul, P.; Senjyu, T.; Toyama, H.; Yona, A. Notice of Violation of IEEE Publication Principles A Hybrid ARIMA and Neural Network Model for Short-Term Price Forecasting in Deregulated Market. Power Systems, IEEE Transactions on , vol.25, no.1, pp.524-530.

[20] Suhartono; Puspitasari, I.; Akbar, M.S.; Lee, M.H. Two-level seasonal model based on hybrid ARIMA-ANFIS for forecasting short-term electricity load in Indonesia. Statistics in Science, Business, and Engineering (ICSSBE), 2012 International Conference on , vol., no., pp.1-5, 10-12.

[21] Kumar, P.H.; Patil, S.B. "Estimation & forecasting of volatility using ARIMA, ARFIMA and Neural Network based techniques. Advance Computing Conference (IACC), 2015 IEEE International , vol., no., pp.992-997, 12-13.

[22] Areekul, P.; Senjyu, T.; Toyama, H.; Yona, A. Combination of artificial neural network and ARIMA time series models for short term price forecasting in deregulated market. Transmission & Distribution Conference & Exposition: Asia and Pacific, 2009 , vol., no., pp.1-4, 26-30 .

[23] Zhu Hai-yan. N days average volume based ARIMA forecasting model for Shanghai metro passenger flow. Artificial Intelligence and Education (ICAIE), 2010 International Conference on , vol., no., pp.631-635, 29-30.

[24] Ye Ren; Suganthan, P.N.; Srikanth, N.; Sarkar, S. A hybrid ARIMA-DENFIS method for wind speed forecasting. Fuzzy Systems (FUZZ). 2013 IEEE International Conference on , vol., no., pp.1-6, 7-10.

[25] Otok, B.W.; Lusia, D.A.; Suhartono; Faulina, R.; Sutikno; Kuswanto, H. Ensemble method based on ARIMA-FFNN for climate forecasting. Statistics in Science, Business, and Engineering (ICSSBE), 2012 International Conference on , vol., no., pp.1-4, 10-12 .

[26]

Monitoreo y pronóstico de nivel en afluentes, como ...

Documents

Transcript of Monitoreo y pronóstico de nivel en afluentes, como ...