Diagnstico de Modelamiento por Riesgo ante inundacin por la torrentera II en la ciudad de Arequipa.

1 - Introduccin Para el Modelamiento de Riesgo ante inundacin por la torrentera II en la ciudad

de Arequipa, se plante utilizar datos de elevacin as como puntos de control prximos a la torrentera que nos indiquen el nivel de dao, as como sus correspondientes atributos de altura y ubicacin espacial con el fin de calcular un mapa estimado de riesgos para la zona de estudio que pueda ser georeferenciado en el sistema ArcGis. La opcin de usar un DEM de Arequipa y puntos de control fue escogida debido a la poca disponibilidad de informacin en Arequipa as como a las diferentes ventajas que ofrece el uso de herramientas de la geomatica, tanto como la utilizacin de datos espaciales, como DEMs, imgenes satlite, ArcGis shapefiles, los cuales son una alternativa viable y econmica al proceso clsico de salidas de campo y mapeos, los cuales pueden resultar excesivamente caros. Por consiguiente, se decidi disear un modelo predictivo de riesgos, utilizando las capacidades de implementacin de modelos en la plataforma Matlab, la cual se adapta fcilmente a la entrada de variables espaciales y que hace posible la manipulacin matemtica de estas, generando mapas con grados de error que pueden ser monitoreados por el usuario.
2 - Objetivos Elaboracin de mapa de riesgo por inundacin de la torrentera II, de Arequipa.

Trabajo con el modelo de elevacin digital de Arequipa e informacin de puntos de control por inundaciones en torrentera II, as como con imgenes satlite. Desarrollo del flujo de procesamiento y algoritmo para generar mapa de riesgos.

[Escriba aqu]

3 Materiales Imgenes Satlite RAPIDEYE En Sistemas de Informacin Geogrfica, las imgenes satlites son producidas como archivos raster, los cuales se usan como capa de fondo, para realizar control de precisin del mapeo as como acondicionamiento espacial de otras capas de informacin, realizando digitalizacin de shapefiles (archivos SIG). Se cont con imgenes RAPIDEYE, adquiridas por el Gobierno Regional, con fecha de adquisicin 2010, para el acondicionamiento cartogrfico, las cuales cuentan con una resolucin de 5 metros, incluyendo 5 bandas espectrales. Modelo de Elevacin Digital (DEM) de Arequipa Este DEM contiene informacin de elevacin correspondiente a la ciudad de Arequipa., la cual ha sido provista por el Instituto geolgico minero metalrgico (INGEMMET), siendo adquirido en formato raster. ArcGis El software utilizado para la integracin de los mapas del rea de estudio y visualizacin de las imgenes satlite es ArcGis, cuya ventaja nos ofrece la integracin posible de informacin espacial, sea topografa, imgenes satelitales, mapas digitalizados y shapefiles en general. Asimismo, sus facilidades de edicin, permitieron que el trabajo se realice de modo ms eficiente y prctico.

La versin ArcGis 9 incluye herramientas de geoprocesamiento, adems de las ms usadas herramientas como, corte, sobreposicin, y anlisis espacial. Tambin se incluye la herramienta Model Builder la cual permite al usuario grficamente enlazar flujos de procesos para crear modelos. ArcGIS est diseado en el concepto de geodatabase, el cual usa una relacin objeto-database para almacenar datos. En este sentido, la geodatabase contiene informacin enlazando sus caractersticas espaciales con sus atributos o campos de datos. Asimismo la geodatabase contiene informacin topolgica y puede modelar como cada caracterstica o feature se relaciona con otras caractersticas.

[Escriba aqu]

Asimismo, incluye otras extensiones esenciales para proveer mayor funcionalidad al sistema como, 3D analista, anlisis espacial, anlisis de redes, anlisis de levantamientos y anlisis geoestadistico.

4 - Metodologa 4.1 Obtencin y delimitacin de datos Inicialmente se empez el proceso de delimitacin del rea de estudio identificando la torrentera II y su rea de influencia utilizando archivos shapefile de la torrentera que indicaron su extensin; seguidamente, se procedi a hacer el corte del rea de estudio, la cual consisti en extraer la topografa DEM de la zona ().

Figura 1. Topografa (DEM), extrada para el rea de estudio que incluye la torrentera II.

Por otro lado, se georeferenciaron puntos de control indicadores de riesgo de inundacin por accin de la torrentera II, que contienen parmetros: coordenadas UTM, elevacin y valoracin de riesgo (segn INDECI, valores del 1 al 4, riesgo muy alto, alto medio y bajo). Se lograron identificar digitalmente 21 puntos de control, los cuales fueron ubicados dentro de nuestra rea de trabajo en ArcGIS.

[Escriba aqu]

Figura 2. Muestra los puntos de control (en amarillo) en rea de estudio, lneas rojas delimitan los cauces de las torrenteras, la lnea del centro es la torrentera II.

4.2 Flujo de procesamiento y algoritmo para generar mapa de riesgos Mapa de Riesgos Para desarrollar el mapa de riesgos, se usaron 2 variables: la topografa (provista por el DEM) y valores de riesgo (establecidos por INDECI) correspondientes a puntos de control que fueron localizados a partir del ltimo evento de inundacin de la torrentera II; estos puntos incluyeron, coordenadas UTM, valor de riesgo (del 1 al 4), y altitud en metros. La informacin de los puntos de control, se extrajo a partir de informacin publicada en medios digitales indicando la accin del ltimo evento de inundacin de la torrentera II (febrero, 8 del 2013). Mtodo Debido a que solo se consiguieron 21 puntos de control en el rea de estudio, se procedi a desarrollar un modelo predictivo que encuentre una correlacin matemtica que exprese el riesgo como una funcin de la topografa. Obteniendo esa correlacin, se pudo aplicar a todo el mapa de topografa para generar un mapa de riesgos expresando espacialmente zonas de muy alto, alto, medio y bajo riesgo.

[Escriba aqu]

Algoritmo El algoritmo utilizado para encontrar la correlacin entre variables de riesgo y topografa, corresponde a redes neuronales artificiales, especficamente el algoritmo back propagacin, cuyas especificaciones pertenecen a la rama de los sistemas expertos e inteligencia artificial. Redes Neuronales Artificiales Las Redes Neuronales (Neural Networks) fueron originalmente una simulacin abstracta de los sistemas nerviosos biolgicos, constituidos por un conjunto de unidades. Una primera clasificacin de los modelos de NN es: 1. Modelos inspirados en la Biologa: Estos comprenden las redes que tratan de simular los sistemas neuronales biolgicos, as como ciertas funciones como las auditivas o de visin. 2. Modelos artificiales aplicados: Estos modelos no tienen por qu guardar similitud estricta con los sistemas biolgicos. Sus arquitecturas estn bastante ligadas a las necesidades de las aplicaciones para las que son diseados. Las caractersticas principales de las NN son las siguientes: 1. Auto-Organizacin y Adaptabilidad: utilizan algoritmos de aprendizaje adaptativo y auto-organizacin, por lo que ofrecen mejores posibilidades de procesado robusto y adaptativo. 2. Procesado no Lineal: aumenta la capacidad de la red para aproximar funciones, clasificar patrones y aumenta su inmunidad frente al ruido. 3. Procesado Paralelo: normalmente se usa un gran nmero de nodos de procesado, con alto nivel de interconectividad. El elemento bsico de computacin (modelo de neurona) se le llama habitualmente nodo o unidad. Recibe un input desde otras unidades o de una fuente externa de datos. El resultado puede servir como output de otras unidades. Las caractersticas de las NN juegan un importante papel, por ejemplo, en el procesado de seales e imgenes. Se usan arquitecturas que comprenden elementos de procesado adaptativo paralelo, combinados con estructuras de interconexiones jerrquicas. Hay dos fases en la modelizacin con redes neuronales:

[Escriba aqu]

Fase de entrenamiento: se usa un conjunto de datos o patrones de entrenamiento para determinar los pesos (parmetros) que definen el modelo de red neuronal. Fase de Prueba: Los pesos ptimos se obtienen optimizando (minimizando) alguna funcin de energa. Por ejemplo, en el llamado entrenamiento supervisado, es minimizar el error cuadrtico medio entre el valor de salida y el valor real esperado. Implementacin y producto final Despus de haber extrado el rea de estudio del DEM y los puntos de control, se procedi a usar MATLAB, para implementar un cdigo (programa), que incluya las siguientes tareas: Lectura de datos DEM, puntos de control. Diseo del algoritmo de redes neuronales Entrado de data dentro de la red neuronal Funcionamiento del algoritmo con los datos y validacin de errores Simulacin de la data y produccin del mapa de riesgos (formato

raster).

Figura 3. Mapa de riesgos obtenido por el algoritmo de redes neuronales artificiales. Color rojo indica zonas de muy alto riesgo, color naranja, riesgo alto, color amarillo, riesgo medio y color azul riesgo bajo.

[Escriba aqu]

[Escriba aqu]

4.3 Sobreposicin del mapa en ArcGis Finalmente se procedi a exportar el mapa de riesgos a la plataforma ArcGis, donde fue georeferenciada y sobrepuesto sobre la imagen satelital as como con la topografa y shape correspondientes a la torrentera II.

Figura 4. Mapa de Riesgos sobrepuesto en la imagen satlite RAPIDEYE (Torrentera ll en el centro de la imagen). Color rojo indica zonas de muy alto riesgo, color naranja, riesgo alto, color amarillo, riesgo medio y color azul, riesgo bajo. Los puntos amarillos corresponden a los puntos de muestreo usados para estimar el mapa final usando redes neuronales artificiales.

5 Resultados El trabajo de modelamiento concluyo con los siguientes resultados: Se logr estimar el mapa-raster de riesgos para el rea de estudio (figura 3), la cual incluye, 4 zonas definidas: Color rojo indica zonas de muy alto riesgo, color naranja, indica riesgo alto, color amarillo, medio y color azul riesgo bajo.

Se realiz la sobreposicin en ArcGIS del mapa raster de riesgos sobre las imgenes satelitales as como las torrenteras.

[Escriba aqu]

En cuanto, al modelamiento y anlisis SIG se puede notar que el mapa de riesgos por accin de la torrente II, ser mucho ms preciso tanto como se cuente con un mayor nmero de puntos de control (medidos en el campo) as como se mejore la resolucion de la topografa, en este caso la resolucion del DEM de Arequipa, lo cual resultara en una mejora en la resolucion y precisin del mapa final de riesgos.

[Escriba aqu]