GeoRisk Finder
Plataforma de inteligencia geoespacial para evaluación de riesgo climático compuesto con rejillas H3, datos multihazard y clustering no supervisado.
Contexto
Los desastres naturales globales generan pérdidas que superan los 300 mil millones de dólares anuales. Los modelos tradicionales evalúan los riesgos (terremotos, huracanes, erupciones) de forma aislada, ignorando las zonas de riesgo compuesto donde múltiples amenazas coinciden en tiempo y espacio. Esto crea una exposición significativa de subvaluación para aseguradoras, gobiernos e inversores.
GeoRisk Finder aborda esta brecha combinando aprendizaje no supervisado con una rejilla hexagonal espacial global (Uber H3) para procesar catálogos históricos de peligros y categorizar cualquier celda del planeta en perfiles de riesgo con análisis de ROI para Sistemas de Alerta Temprana.
Desafíos
- Integración multihazard: Combinar datos sísmicos del USGS, registros de ciclones de NOAA/IBTrACS y catálogos históricos del IGN en una rejilla unificada
- Discretización espacial: Discretización global homogénea mediante H3 Res 3 (~12.500 celdas, ~12.300 km² cada una)
- Reducción de dimensionalidad: Preservar el 85% de la varianza con PCA antes del clustering
- Clasificación de riesgo: K-Means (4 perfiles de riesgo macro) + DBSCAN (detección de valores atípicos extremos)
- Traducción financiera: Traducir puntuaciones de riesgo físico a ROI en escala de dólares para decisiones de inversión
Solución
Arquitectura
El sistema procesa datos a través de un pipeline multietapa: fuentes externas → ingestión y limpieza → características de la rejilla → clustering con ML → producto (dashboard Streamlit multipágina).
Componentes clave
- Grid Engine: Rejilla hexagonal Uber H3 Res 3 que cubre todo el planeta
- Ingestión multihazard: USGS (eventos sísmicos M≥4.5, 1900–2026), IBTrACS/NOAA (ciclones), IGN (catálogo histórico nacional)
- Ingeniería de características: PCA (85% de varianza retenida) + extracción de características de la rejilla
- Clustering: K-Means (4 perfiles de riesgo) + DBSCAN (detección de celdas extremas)
- Módulo financiero: Cálculo de ROI para el despliegue de un Sistema de Alerta Temprana frente al costo de reconstrucción
- Dashboard Streamlit: Simulación interactiva de escenarios (Conservador, Base, Optimista) con Ratio Beneficio-Costo
Fuentes de datos
| Fuente | Tipo | Cobertura |
|---|---|---|
| USGS API | Eventos sísmicos M≥4.5 | 1900–2026, global |
| IBTrACS/NOAA | Registros de ciclones | Datos globales de huracanes/trayectorias |
| IGN Histórico | Catálogo nacional | Datos históricos específicos del país |
Etapas del pipeline
- Ingestión de datos: Ingestión de CSV en bruto desde APIs externas, normalización a un formato unificado
- Asignación a la rejilla: Asignar cada evento a una celda H3 en resolución 3
- Ingeniería de características: Características espaciales (centroide de la celda, vecinos, área), características temporales (fecha, temporada) y severidad del evento
- Reducción de dimensionalidad: PCA para retener el 85% de varianza, reduciendo el espacio de características mientras se preservan los patrones estructurales
- Clustering: K-Means (4 perfiles de riesgo) + DBSCAN (detectar valores atípicos extremos)
- Impacto financiero: Módulo de cálculo de ROI que combina puntuaciones de riesgo físico con costos de reconstrucción y valores de interrupción del negocio
Implementación
La decisión arquitectónica más significativa fue usar una rejilla hexagonal (H3) en lugar de rejillas cuadradas tradicionales. Esto asegura una cobertura homogénea y elimina efectos de borde en los límites de las zonas. La discretización de 12.500 celdas proporciona una granularidad suficiente para análisis a nivel de ciudad manteniendo la eficiencia computacional.
La reducción PCA del conjunto original de características al subespacio del 85% de varianza fue crítica para hacer que el clustering con K-Means fuera viable a escala sin perder las características que señalan el riesgo.
La capa de traducción financiera fue la más compleja de validar. Realizamos un benchmark contra datos de costos de reconstrucción de fuentes de la industria de seguros y ajustamos el cálculo del ROI para tener en cuenta las variaciones regionales en los costos de mano de obra y materiales.
Compromisos
El pipeline usa ingestión de CSV por lotes en lugar de APIs de streaming para cada fuente. Esto mantiene el flujo de investigación reproducible y compatible con uso sin conexión, a costa de la frescura en feeds de eventos en vivo.
Se prefirió el clustering a las etiquetas de riesgo supervisadas porque no existe una verdad fundamental multihazard globalmente consistente. El compromiso es que los perfiles son descriptivos en lugar de predictivos.
Confiabilidad
Existen pruebas de cobertura para las etapas de ingestión, asignación a la rejilla, ingeniería de características y clustering. El CI ejecuta la suite en cada push. Las verificaciones extremo a extremo validan el pipeline completo desde los archivos fuente hasta la salida del dashboard con fuentes de datos simuladas.
Resultados
- ~1.1 millón de eventos históricos de peligros ingeridos y categorizados a través de los catálogos USGS, IBTrACS e IGN
- 4 perfiles de riesgo macro (con detección DBSCAN de valores atípicos extremos)
- 3 simulaciones de escenarios (Conservador, Base, Optimista) con cálculo de Ratio Beneficio-Costo
- Cobertura global mediante la rejilla Uber H3 — cualquier punto del planeta puede ser categorizado
- Soporte de Docker para ejecuciones locales reproducibles
Nota: borradores anteriores del portafolio listaban “más de 130 millones de eventos” y “180 pruebas”. Esas cifras eran incorrectas (los tamaños de archivo en MB se leyeron erróneamente como número de filas; el número de pruebas estaba sobreestimado). Los números anteriores reflejan los catálogos y la suite reales.
Lecciones aprendidas
- La rejilla hexagonal elimina artefactos de borde que las rejillas cuadradas introducen en los extremos de las zonas. La resolución 3 de H3 equilibró granularidad y costo computacional.
- El PCA antes del clustering es esencial con este número de características. Sin reducción de dimensionalidad, el entrenamiento de K-Means excedía los límites de tiempo aceptables.
- La validación del modelo financiero requiere datos de la industria que no están fácilmente disponibles. Se usaron supuestos conservadores para las dimensiones faltantes.
- La usabilidad del dashboard Streamlit depende de la divulgación progresiva. Ocultar parámetros avanzados detrás de secciones expandibles mantiene la interfaz accesible.
- La integración multihazard requiere una normalización cuidadosa. Cada fuente tiene unidades, rangos de tiempo e indicadores de calidad diferentes.
Trabajo futuro
- Modelos de machine learning para predicción de probabilidad de riesgo usando patrones históricos
- Integración con fuentes de datos globales adicionales (World Bank, GDACS)
- Proyectos/portafolios multitenant para despliegue empresarial
- Push de alertas via WebSocket para celdas monitoreadas