Publicaciones Científicas

Modelos de Aprendizaje Automático para Predicción de Nivel de Agua en Arroyos Urbanos Rápidos: Caso del Mburicaó, Asunción, Paraguay

Resumen:

Los arroyos urbanos en ciudades de rápido crecimiento son cada vez más susceptibles a aumentos repentinos de niveles de agua durante eventos de precipitación intensa debido a la falta de inversión pública o eventos naturales extremos. Este trabajo investiga picos de nivel de agua y eventos de inundación significativos en el arroyo Mburicaó en Asunción, Paraguay. Se desarrollan dos modelos predictivos utilizando datos de intervalo de diez minutos de tres estaciones meteorológicas: un clasificador de máquina de vectores de soporte (SVM) para detectar eventos que excedan umbrales y un modelo de regresión multilineal para estimar picos de nivel de agua. Se emplean análisis de información mutua combinados con correlación cruzada entre el nivel del arroyo y la precipitación rezagada para informar la selección de características de entrada predictivas. Nuestros resultados indican que con datos de precipitación de 40 minutos antes del pico de un evento de inundación, el modelo de regresión obtiene un coeficiente de determinación (R² = 0.8209), un RMSE de 0.3509 metros y un MAPE de 31.27%. Mientras que el modelo de clasificación, con un horizonte de predicción de 50 minutos, dirigido a ocurrencias con picos mayores a 1.0 metros, logra una F1-score de 0.66 con 85% de recuperación y 54% de precisión. El desempeño de clasificación aún muestra potencial de mejora, especialmente para reducir falsos positivos teniendo series de tiempo más largas o considerando modelos hidrológicos. Estos modelos podrían ser la base de sistemas de alerta temprana en ambientes urbanos con pocos datos, ofreciendo una herramienta práctica para mitigación de riesgos en Paraguay.

Pósters ERMAC 2026

Esta sección contiene las investigaciones presentadas en la conferencia ERMAC 2026, destacando diferentes aspectos del proyecto de monitoreo de agua del Mburicaó.

Integración de Random Forest y post-procesamiento de sombras para la clasificación optimizada de uso y cobertura del suelo en GEE

Autores: Jazmin Ojeda Rojas, Diego H. Stalder, Andrés Wehrle, Juan Cardozo

Resumen: Este trabajo presenta un enfoque de procesamiento geoespacial y aprendizaje automático para la clasificación de la cobertura del suelo en la Cuenca Baja del Arroyo Mburicaó utilizando Google Earth Engine. La metodología emplea un clasificador Random Forest y una rutina especializada de limpieza de sombras para corregir píxeles de sombra mal clasificados. La clasificación alcanzó una precisión general del 82.55% y un índice Kappa de 0.7231. Los resultados muestran que la cuenca baja comprende un 48.45% de vegetación, mientras que las superficies impermeables (Urbano y Caminos) cubren casi la mitad de la extensión total, una configuración espacial que acelera el escurrimiento superficial y explica la ocurrencia de inundaciones repentinas.

Sistema de monitoreo y visualización de inundaciones urbanas basado en ciencia ciudadana

Autores: Venus Ayala, Evelyn Paredes, Diego H. Stalder, Jazmin Ojeda

Resumen: Este trabajo propone el diseño e implementación de una plataforma web interactiva para el monitoreo y visualización de inundaciones urbanas basada en ciencia ciudadana. El sistema permite a los usuarios registrar eventos de inundación a través de formularios web, incorporando descripciones, fotografías y ubicación geográfica. Desarrollada con Next.js, React, Supabase y Leaflet, la plataforma integra exitosamente la participación ciudadana con herramientas de visualización geoespacial. El sistema demuestra el potencial de la ciencia ciudadana para complementar los sistemas de monitoreo tradicionales y apoyar la gestión de riesgos urbanos asociados a eventos de inundación.

Predicción de precipitaciones a corto plazo aplicada a una cuenca urbana

Autores: Victoria Paredes, Diego H. Stalder, Jazmin Ojeda, Andrés Wehrle

Resumen: Este trabajo presenta un enfoque de aprendizaje automático para la predicción de lluvias a corto plazo utilizando series temporales pluviométricas de estaciones automáticas en una cuenca urbana. Utilizando datos de cinco estaciones con resolución de 10 minutos, el estudio evalúa modelos de Regresión Lineal, Random Forest y XGBoost para predecir la intensidad máxima de lluvia, la duración del evento y la acumulación futura a 30 minutos. Los resultados muestran que los modelos basados en árboles (especialmente XGBoost y Random Forest) superan a la regresión lineal, indicando relaciones no lineales en la dinámica de las precipitaciones. El modelo XGBoost multiestación alcanzó un R² ≈ 0.56 para la predicción de precipitación acumulada.