El nuevo sistema de inteligencia artificial de los ingenieros de Rice mejora la detección de inundaciones en tiempo real en las carreteras
Los ingenieros de Rice, Pranavesh Panakkal (izquierda) y Jamie Padgett (derecha), analizan un mapa de enlaces viales en el área de Houston.
Los incidentes relacionados con las carreteras son una de las principales causas de muerte por inundaciones en los EE. UU., pero la falta de herramientas adecuadas para informar sobre inundaciones dificulta la evaluación de las condiciones de las carreteras en tiempo real.
Las herramientas existentes, como las cámaras de tráfico, los sensores de nivel de agua y los datos de las redes sociales, pueden proporcionar observaciones de inundaciones. Sin embargo, a menudo no están diseñadas principalmente para detectar condiciones de inundación en las carreteras y no funcionan en conjunto.
Una red de sensores podría mejorar el conocimiento sobre los niveles de inundaciones, pero operarlos a gran escala es costoso.
Los ingenieros de la Universidad Rice han desarrollado una posible solución a este problema: un marco de fusión de datos automatizado llamado OpenSafe Fusion.
Conciencia situacional de código abierto
OpenSafe Fusion, abreviatura de Open Source Situational Awareness Framework for Mobility using Data Fusion, aprovecha los mecanismos de informes individuales y las fuentes de datos públicos existentes para detectar rápidamente la evolución de las condiciones de las carreteras durante los eventos de inundaciones urbanas, que son cada vez más frecuentes.
Jamie Padgett, profesor de Ingeniería Stanley C. Moore de Rice y director del Departamento de Ingeniería Civil y Ambiental, junto con Pranavesh Panakkal, investigador postdoctoral en ingeniería civil y ambiental, analizaron datos de nueve fuentes en Houston antes de desarrollar el marco integral para el sistema de datos automatizado en su estudio de investigación titulado » Más ojos en la carretera: detección de carreteras inundadas mediante la fusión de observaciones en tiempo real de fuentes de datos públicas «, publicado en la revista Reliability Engineering & System Safety.
“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 información de estas fuentes en tiempo real podría revolucionar el conocimiento de la situación 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”, afirmó Padgett.
“Se basa en nuestra colaboración de larga data con colegas del Centro SSPEED en Rice, quienes han estado desarrollando sistemas de alerta de inundaciones de última generación. Aquí nos centramos en los impactos de las inundaciones en la infraestructura de transporte y 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”.
Aprendizaje automático y fusión de datos
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.
El valor de dichas fuentes de datos quedó en evidencia durante el huracán Harvey en 2017. Muchas personas en Houston, incluidos los equipos de respuesta a emergencias, recurrieron al examen manual de las fuentes de datos para inferir las probables condiciones de las carreteras y superar la falta de datos confiables sobre las condiciones de las carreteras en tiempo real.
Para probar el proceso OpenSafe Fusion, los investigadores utilizaron datos históricos de inundaciones observadas 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 viales, lo que representa alrededor del 60% de la red que consideramos, y eso es una mejora significativa”, dijo Panakkal.
Otras fuentes de datos que podrían utilizarse en el marco incluyen sensores de nivel de agua, portales ciudadanos, crowdsourcing, redes sociales, modelos de inundaciones y un factor que el estudio llama “human-in-the-loop” (human-in-the-loop).
IA responsable
Esta última fuente es especialmente importante, dice Panakkal, ya que el elemento humano de OpenSafe Fusion permite el uso responsable de la inteligencia artificial (IA).
“No queremos un sistema totalmente automatizado sin ningún control humano”, dijo 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 desastres naturales.
“Esto permite que los miembros de la comunidad o los servicios de emergencia comprendan qué caminos están inundados y cómo llegar de manera segura a un lugar”, dijo Panakkal.