Astrofísica chilena crea un innovador modelo de predicción de riesgo sísmico combinando Inteligencia Artificial con imágenes de Google Street View

En un nuevo estudio realizado en Chile por investigadores del Centro Nacional de Investigaciones para el Manejo Integrado de Desastres Naturales (CIGIDEN) y el Centro Aeroespacial Alemán (DLR por sus siglas en alemán), en el que su objetivo era desarrollar modelos de riesgo, exposición, y de vulnerabilidad sísmica para el país e idear una plataforma de análisis, crearon un método que permite evaluar el riesgo sísmico de distintos tipos de construcciones.

A pesar que este tipo de modelo es súper complejo de construir, ya que nunca están disponibles los datos en la cantidad, detalle y precisión necesaria, esto se logró al utilizar una rama de la Inteligencia Artificial (IA) conocida como deep learning combinada con las imágenes de Google Street View, y mostró tener un 80% promedio de precisión en sus resultados finales.

Aunque este artículo se centró solamente en características relevantes para terremotos, como la metodología creada es viable y funciona también, podría ocuparse para otros tipos de amenazas naturales como tsunamis, inundaciones o incendios.

Paula Aguirre, coautora del estudio y académica del Instituto de Ingeniería Matemática y Computacional (IMC) de la Pontifica Universidad Católica, señala que el objetivo de esta metodología, llamada Modelo de Exposición es “lograr cuantificar y caracterizar todas las edificaciones que hay en una ciudad, y esto es necesario porque para poder estimar el impacto que tendría eventualmente un terremoto es necesario conocer todas las estructuras que hay y cómo están construidas para entender cuál sería su comportamiento ante un terremoto y si sufrirían daños o no”.

Además, explica que este modelo es un insumo para la evaluación del riesgo. “La evaluación del riesgo implica combinar esto con un modelo de la amenaza, que sería uno de cómo se va a mover el suelo, o de cómo va a ser la inundación en caso de un tsunamis”.

-¿Qué información entrega este estudio?

Yo sé cómo se comporta un edificio, en concreto cuando hay un terremoto, pero lo que no sabemos es cuántos edificios de cada tipo hay en la ciudad. Entonces no sabemos qué porcentaje de los edificios se va a comportar bien o mal porque no sabemos cuántos hay ni cómo son. Por lo que el objetivo de esta metodología es saber justamente eso, cuántos hay, dónde y cuales son sus características.

-¿Cómo funciona este modelo?

Cuando un ingeniero o un experto ve la fachada de un edificio es capaz de discernir sus principales características y determinar a qué clase de edificio pertenece y cómo se se comportaría a grandes rasgos en caso de un terremoto.

Entonces la idea en el fondo fue entrenar un algoritmo que hiciera este mismo proceso lógico de las imágenes recolectadas de Google Street View (en este caso fueron de Santiago) y que nos pueda decir: ok, de todas estas imágenes estas las clasificamos como edificio de concreto, estos otros de albañilería de ladrillos, que son común en Chile, etc.

Y así, a partir de esas imágenes poder generar un inventario de edificaciones con sus respectiva clasificación, no solamente la cantidad de edificios sino también cómo se clasifican porque eso determina su comportamiento después de un terremoto.

¿Cómo se crear el algoritmo?

Se crea una base de datos grandes que se tiene que depurar para poder quedar con un solo set de imágenes de fachadas de edificaciones, y con esos insumos se entrenan estos modelos que en el fondo analizan las imágenes.

Ahora para entrenar el algoritmo, uno tiene que decirle previamente, con un set de entrenamiento a qué corresponden las imágenes (explicarle lo que tiene que aprender). Entonces nosotros con el quipo de investigadores de la UC y también con alumnos de doctorado y pregrado hicimos un trabajo de etiquetar los datos, donde tomamos un subconjunto de imágenes y las clasificamos manualmente aplicando criterio experto de ingenieros estructurales.

Se comprobó que el método sí funciona y se puede replicar en otra zonas donde hayan imágenes disponibles, ya que la cobertura de Google Street View no es igual en todas partes y en los sectores más rurales no es la misma cobertura, por lo que hay que sopesar bien donde aplicarlo, finaliza Aguirre.