El Estado de Tabasco (México) sufrió entre 2007 y 2011 numerosas inundaciones que generaron daños y pérdidas por más de 57 mil millones de pesos, según el PNUD. Considerando la inundación a finales de 2009 como caso de estudio, UN Global Pulse junto con investigadores de la Universidad Politécnica de Madrid (UPM) y Telefónica Research realizaron un proyecto para explorar el uso de Big Data como herramienta para acción humanitaria – asesorados por expertos del Gobierno de México y el Programa Mundial de Alimentos (PMA). El objetivo del proyecto era averiguar si mediante Big Data es posible crear nuevos mecanismos de alerta temprana y gestión de inundaciones; y demostró que, aunque haya que tomar con cautela la posibilidad de anticipar una inundación real, si es posible localizar las zonas más afectadas rápidamente y medir los intervalos de tiempo entre las lluvias y los efectos y acciones que desencadenan para la mejora de la gestión.

Combinar datos para obtener información nueva

En el estudio se comparó la reacción social (patrones en Big Data), la actuación institucional (el aviso de protección civil) y el patrón de lluvias (factor externo). Para medir la reacción social se analizaron registros anonimizados de llamadas de móviles, asegurando la privacidad de usuarios. La actuación institucional se recuperó mediante noticias, registros públicos y actas de protección civil sobre las inundaciones de 2009 y 2010 en México. Para medir el avance de las inundaciones se utilizaron datos abiertos de satélites de la NASA.

Datos oficiales del censo verificaron que la distribución geográfica de los usuarios formaba una muestra representativa en la región. Los datos de teléfonos móviles, anonimizados y agregados, registraron la posición de la antena más cercana durante una llamada y como resultado convirtieron a las antenas en sensores de actividad y movilidad. De este modo se pudo generar una medida de anomalías en el volumen de llamadas y crear mapas de movilidad. Análisis de imágenes LANDSAT permitió detectar zonas inundadas con detalle. A su vez, datos del proyecto TRMM-NASA ofrecieron información diaria de las precipitaciones que sirvieron para comparar la evolución de la inundación con los patrones en los datos de móviles. Mediante análisis SIG, análisis de redes y series temporales fue posible alinear las fuentes y cuantificar la inundación y su impacto.

[su_youtube url=”https://www.youtube.com/watch?v=5hS8mcnpgt4&feature=youtu.be”]

Obtener nuevas conclusiones a partir del análisis de los datos

Según los registros, Protección Civil envió una señal de alerta coincidiendo con el día de máximas precipitaciones. Sin embargo, el tráfico de llamadas no reveló ninguna variación sincronizada con esta alerta, sino días más tarde en zonas muy concretas como carreteras durante los peores efectos de la inundación. Este hallazgo es importante porque demuestra que en caso de inundaciones, el nivel de concienciación ciudadana puede no incrementarse a tiempo, ignorando alertas institucionales, ya que incluso con fuertes lluvias, es difícil anticipar una inundación real.  Así, se concluyó que este análisis puede ayudar a (i) mejorar la actuación localizando rápido las zonas más afectadas y dónde se condensa la población y (ii) rediseñar y evaluar mecanismos de prevención.

Consecuencias de este estudio

El ejemplo de Tabasco destaca el potencial del uso de grandes datos y de datos abiertos agregados y anonimizados, siempre preservando la privacidad de las personas, para mejorar la respuesta a desastres naturales. Los datos pueden mejorar sustancialmente cualquiera de las fases de respuesta a un desastre natural: (i) al comienzo del desastre, con alerta temprana de una posible reacción social que pueda ser clasificada como anomalía antes del impacto físico del desastre; (ii) durante el propio curso del desastre, para monitorizar a la población y optimizar la intervención humanitaria y la difusión de información; (iii) tras la toma de decisiones  para realimentar y adaptar estas decisiones y maximizar su eficacia (iv) en retrospectiva, evaluando los hechos  para el posterior diseño de políticas para la mejora de mitigación, capacidad de preparación y recuperación.

Para introducir estas innovaciones, es necesario desarrollar nuevos modelos de compartición de datos de manera responsable que aumenten su disponibilidad en tiempo real. A su vez, datos abiertos y plataformas abiertas de visualización y análisis que aceleren el tiempo de respuesta para asesorar sobre los planes de intervención y al mismo tiempo preserven la privacidad de las personas.

¿Conoces otros ejemplos de uso de Big Data para mejorar la respuesta a desastres naturales?

• El documento técnico del estudio está disponible en este enlace.
• El artículo científico asociado fue presentado en IEEE Global Humanitarian Technologies Conference 2014.
• Un post en inglés publicado por UNGP sobre el contexto de este estudio se encuentra en este enlace.

Información sobre quienes participaron en este estudio de caso: David Pastor-Escuredo es responsable de Big Data para el Desarrollo en el Centro de Innovación en Tecnología para el Desarrollo Humano (itdUPM). Alfredo Morales es un investigador Postdoc en el New England Complex Systems Institute y fue investigador de la UPM durante este proyecto. Yolanda Torres es investigadora del itdUPM. Vanessa Frias Martinez  es profesora en la Universidad de Maryland y era investigadora en Telefonica Research Madrid durante la realización de este proyecto. Enrique Frias Martinez es investigador en Telefonica Research, Madrid. Nuria Oliver es directora científica en Telefonica I+D. Miguel Luengo-Oroz es chief data scientist en UN Global Pulse.