Suscríbete al newsletter The NewNow

Y te mantendremos al tanto de los últimos artículos y noticias

Los campos marcados con * son obligatorios

Control de Inundaciones con IA, ciencia ciudadana y twitter

Investigadores de la Universidad de Dundee están combinando Twitter, ciencia ciudadana e innovadoras técnicas de inteligencia artificial (IA) para desarrollar un sistema de alerta temprana para comunidades propensas a las inundaciones.

Las inundaciones urbanas son difíciles de controlar debido a las complejidades en la recopilación y el procesamiento de datos. Esto evita el análisis detallado de riesgos, el control de inundaciones y la validación de modelos numéricos. El equipo de Dundee se propuso tratar de resolver este problema explorando cómo la última tecnología de inteligencia artificial se puede utilizar para explotar redes sociales y aplicaciones en busca de los datos que los usuarios proporcionan.

El Dr. Roger Wang y sus colegas de la Facultad de Ciencias e Ingeniería han demostrado cómo se puede utilizar la inteligencia artificial para extraer datos de Twitter y la información obtenida de las aplicaciones de teléfonos móviles para crear un monitoreo de hiper-resolución de las inundaciones urbanas. Creen que esta es la primera vez que Computer Vision se aplica a problemas de inundación.

Descubrieron que las redes sociales y el crowdsourcing se pueden usar para complementar los conjuntos de datos basados en la percepción remota tradicional y los informes de testigos.

Aplicando estos métodos en los estudios de casos, encontraron que éstos son realmente informativos y que la AI puede desempeñar un papel clave en los futuros sistemas de advertencia y monitoreo de inundaciones.

Los investigadores creen que una herramienta como Twitter es más útil para el monitoreo a gran escala y de bajo costo, mientras que los datos de crowdsourcing proporcionan información rica y personalizada a nivel micro.

Al combinar las redes sociales , la ciencia ciudadana y la inteligencia artificial en la investigación de inundaciones urbanas, esperan generar predicciones precisas y advertencias con días de anticipación.

Predecir dónde soplará el viento

El control sobre los fenómenos atmosféricos tiene implicaciones en la seguridad pero también puede ser utilizada para extraer de las fuerzas de la naturaleza su energía de forma más eficiente, por ejemplo, el viento.

Mediante la incorporación de información geográfica en los modelos de energía eólica, los investigadores de KAUST han desarrollado una herramienta estadística innovadora que reduce la carga computacional de la localización de los recursos eólicos mundiales.

La localización de los recursos eólicos a nivel mundial es muy difícil debido a la dificultad de almacenar las grandes cantidades de datos generados por las simulaciones del modelo climático.

Lo que se propone ahora es un modelo estadístico que incluye información geográfica y física para montañas, como longitud y altitud, y puede explicar mejor sus impactos en la velocidad del viento. En particular, el modelo incorpora información sobre las características físicas de las montañas, que han demostrado afectar la suavidad espacial de los campos eólicos, y conduce a mejores métricas de selección de modelos para modelar datos eólicos, reduciendo el almacenamiento de datos y los requisitos computacionales del Big Data.

Los investigadores desarrollaron un modelo flexible en el que océano, tierra y montañas con información de altitud se incluyeron como co-variables para tener en cuenta el comportamiento estadístico de la velocidad del viento. Y al usar un generador estocástico, pudieron incorporar grandes cantidades de datos de viento, lo que les permitió modelar mejor la variabilidad espacio-temporal de los recursos eólicos.

El trabajo podría proporcionar evaluaciones de energía eólica en países en desarrollo, donde no hay estudios regionales disponibles, y podría ser un trampolín para problemas más complejos y realistas relacionados con los recursos eólicos, como el conjunto de viento global diario o mensual y el modelado de campos eólicos multivariante.

Puede descargarse el trabajo en Cornell University Library

Fuente: Kaust