En estos dias fue publicado por Montes del Plata, un trabajo que se suma a sus esfuerzos por preveer y controlar el efecto de los incendios en sus instalaciones. En vista de esta publicación aprovechamos a comentar algo mas sobre nuestro rol en el equipo que desarrolló esta herramienta.
Por fines de Octubre de 2022 recibimos la incertidumbre del colega Santiago Ihlenfeld, sobre metodologías para avastecer con las variables insumo, necearias un modelo de predicción de riesgo de incendio. Habiendo realizado trabajos anteriores con la empresa, siempre en el entorno de Google earth engine, nos centramos en buscar datasets que incluyeran predicciones climáticas en tiempo real y con un horizonte de al menos una semana, para cada una de las variables necesarias de acuerdo a los requerimientos del modelo utilizado por la empresa. Inmediatamente vimos que uno de los modelos de alta disponibilidad era el de GFS (Global Forecast Sistem) el cual a su vez está prolíficamente evaluado y utilizado por la comunidad científica relacionada a temas climáticos.
Nos centramos en obtener valores diarios de:
- mínima humedad relativa,
- máxima temperatura,
- velocidad máxima del viento,
- precipitaciónes,
- ráfagas de viento.
Era neceario brindar un mapa diario (en formato consumible por entornos GIS), a nivel pais, para cada una de estas variables, con el horizonte de 5 días de pronóstico. Rápidamente nos dimos cuenta que la opción de consumir este recurso desde Google earth engine era imposible, ya que si bien estas variables integran las disponibles generadas por el modelo GFS, no integran el subset de variables que Google earth engine dispone para ese dataset (toma de GFS alguna de las variables y otras no), en particular el problema se centró en las ráfagas de viento.
Que opción encontramos?
Obtener estimaciones para el mismo modelo desde una API climática, en este caso sí, con todas la variables disponibles pero con una estimación puntual (valores brindados para un punto: latitud y longitud específica) y no en formato «mapa».
Nuestro desarrollo pasó por diseñar la herramienta de código en Python, corrida en un servidor Linux (para obtener el automatismo deseado), que pudiera obtener desde esa API los valores de a uno, para cada uno de los puntos de una grilla de ~25 km para todo el Uruguay; y que a partir de esto, generara una capa raster (archivo .tif) que se cargara en un repositorio de Google Cloud (online), el cual pudiera ser consumido por el entorno GIS que la empresa prefiriera.
Esto nos llevó a explorar un camino super interesante que incluye las herramientas de xarray y rioxarray con las cuales seguramente estemos trabajando en el futuro, para lograr generar desde tablas, array’s multimensionales capaces de manejar para un mismo sitio valores para cada una de las variables repetidas en el tiempo.
En resumen, muy satisfechos con el resultado logrado, y con la oportunidad que nos brindaron.
Vamos por mas!