Sistema de monitoreo y alerta temprana de inundaciones

Por: Germán Ruiz, arquitecto de soluciones para socios de negocios en Amazon Web Services (AWS); Camila Saad, líder del equipo de preparación y respuesta ante desastres en AWS; José Luis Álvaro, director de Grupo TX y Mercedes Di Mase, CMO de Grupo TX.

Introducción

Trabajando juntos, Grupo TX, el Sistema Nacional de Protección Civil (SINAPROC) en Panamá, y con el apoyo del programa de preparación y respuesta ante desastres en Latino América, Canadá, y el Caribe (LCC) de Amazon Web Services (AWS) han desarrollado una prueba de concepto para un sistema de alerta temprana de inundaciones. Tomando en consideración los ecosistemas que protegen a las comunidades costeras, su biodiversidad, los datos históricos, la construcción y la dimensión del desafío, el equipo eligió enfocarse en la cuenca del río Juan Díaz. Debido al aumento de la urbanización y el cambio climático, esta zona ha sufrido graves inundaciones, provocando daños materiales y pérdidas de vidas.

Imagen 1: La cuenca del río Juan Díaz está ubicada hacia el sudeste de la provincia de Panamá, nace en Cerro Azul, a una altitud de 691 msnm y desemboca en la bahía de Panamá.

Retos a nivel de selección de los dispositivos

De la mano del SINAPROC, se identificó la necesidad de monitorear en tiempo real el estado de los ríos y las cuencas con una solución que pueda integrar la información de predicción disponible de SINAPROC para poder dar una alerta temprana a los ciudadanos en caso de inundación. Para esto, se requería ubicar sensores de monitoreo en lugares remotos, sin acceso a conexión eléctrica ni recepción celular, por lo tanto, la conectividad era una barrera para permitir el monitoreo adecuado.

Tecnologías como LPWAN (Low Power Wide Area Network o Redes de Área Amplia de Baja Potencia ) en general, y LoRAWAN en particular, satisfacen y superan las necesidades de conectividad. LoRAWAN es la tecnología de conectividad líder dentro del mercado LPWAN y ya se ha adoptado ampliamente en un gran ecosistema respaldado por LoRa Alliance, de la cual AWS es miembro.

La característica principal de LoRAWAN es permitir el envío de información a largas distancias de una forma resistente a interferencia y con un consumo de batería muy bajo; por esto, fueron seleccionados dispositivos IoT LoRaWAN ya que son ideales para ser instalados en lugares remotos, requiriendo poco mantenimiento y enviando información concreta sobre las mediciones en campo. El término IoT, o Internet de las cosas, se refiere a la red colectiva de dispositivos conectados y a la tecnología que facilita la comunicación entre los dispositivos y la nube, así como entre los propios dispositivos.

Imagen 2: Presentación sensores IoT (AWS : Germán Ruiz – Arquitecto de Soluciones, equipo Grupo TX: Abdiel de Sedas – Soporte IoT, José Luis Álvaro – Director, Armando Ortiz – Jefe de soporte, Fernando Brant – Gerente de proyecto, Mercedes Di Mase – CMO, Patrizia Della Valle – BA).

Retos a nivel de implementación de la solución

Para la implementación de la solución se hizo evidente en etapas tempranas del proyecto que era vital contar con información de estudios hidrológicos fiables que permitieran identificar los puntos ideales de instalación de los dispositivos IoT de medición.

Una vez identificados dichos puntos, se realizó análisis de line of sight para determinar las ubicaciones ideales de los gateways y la distribución que habría entre ellos.

Imagen 3: Desembocadura río Juan Díaz

Aunque es un proyecto de tecnología, en la fase de despliegue de los sensores IoT se requirió el apoyo de un equipo de trabajo en campo para llevar a cabo la instalación de los equipos, diseñando mecanismos para ubicar los sensores ultrasónicos de nivel debajo de los puentes de manera segura, o, para el caso de la instalación de los gateways, estructuras que permitieran ubicarlos a determinada altura para maximizar su cobertura.

Imagen 4: Diseño del mecanismo de fijación y aseguramiento de sensores de nivel ultrasónico.

Imagen 5: Fijación de los sensores de nivel ultrasónico en los puentes seleccionados.

De igual manera, se coordinó una movilización en campo que permitiera obtener información actualizada de las personas que se encuentran en áreas de riesgo para enviarles las comunicaciones y alertas relacionadas a la solución. Fue clave trabajar de cerca con las entidades públicas para contar con el apoyo de las instituciones que brindan atención al ciudadano.

Durante la implementación de la solución también se tuvo el reto de obtener la mayor cantidad de datos históricos posible, limpiarlos y prepararlos para entrenar el modelo de aprendizaje de máquina que genera los mensajes de notificación al personal de las instituciones públicas alertando ante un escenario de inundación inminente.

El uso de LoRaWAN facilitó instalar dispositivos de IoT en áreas remotas, se utilizó AWS IoT Core for LoRaWan que es un servicio de servidor de red LoRAWAN (LNS) completamente administrado que permite conectar dispositivos inalámbricos que utilizan el protocolo LoRAWAN para conectividad LPWAN con la nube de AWS, de esta manera es posible llevar el registro, la actualización y la gestión de los dispositivos; sin embargo, también presentó retos ya que fue necesario profundizar sobre el protocolo LPWAN y otros factores que afectan la transmisión de la información, como el espectro y los patrones de radiación de las antenas de los gateways. Gracias a esto, se concluyó que el gateway ubicado sobre una montaña circundante a la ciudad debía contar con una antena direccional mientras que los que se encuentran en el centro de la ciudad se benefician de una antena omnidireccional.

Imagen 6: Ubicación de los sensores y gateways a lo largo de la cuenca del Rio Juan Diaz.

Para decodificar los datos recibidos de los sensores, fue necesario usar AWS Lambda, con scripts en python que se ajustan a las especificaciones de los fabricantes de los diferentes dispositivos de IoT, lo que permite ampliar la capacidad y la compatibilidad de la solución en futuras implementaciones.

Para el manejo de la data se decidió usar Amazon Timestream (base de datos de serie temporal rápida, escalable y sin servidor) ya que permite hacer la ingesta de datos de manera eficiente para generar dashboards creados con Amazon Managed Grafana con el fin de analizar, consultar, visualizar, comprender y recibir alertas sobre las métricas obtenidas de los diferentes dispositivos IoT utilizados en la solución.

Para los datos históricos y los datos recibidos de otras instituciones se creó un Data Lake con las tecnologías de Amazon Kinesis Data Firehose para cargar transmisiones generadas en tiempo real en Amazon S3 y realizar consultas usando Amazon Athena.

Se creó un proceso de notificación a los distintos estamentos que intervienen en estas situaciones y también a la población; para la generación de las alertas se utilizó Amazon Pinpoint y para notificar a los distintos contactos Amazon Connect.

Igualmente, el SINAPROC cuenta con un dashboard que permite al centro de comando poder monitorear en tiempo real cada uno de los dispositivos y hacer análisis con la data histórica, que se mantendrá accesible en todo momento.

Imagen 7: Estación meteorológica para monitorear variables ambientales (radiación solar, precipitación, temperatura del aire, presión barométrica, presión de vapor, humedad relativa, velocidad del viento, dirección del viento, ráfaga de viento máxima, caída de rayos, distancia del rayo e inclinación).

Imagen 8: Dashboard de una estación meteorológica.

Imagen 9: Dashboard de sensores de nivel ultrasónico.

Arquitectura AWS

En esta primera fase del proyecto se utilizó el servicio de AWS IoT Core para LoRAWAN para administrar los gateways y sensores compatibles con LoRaWAN, así como la seguridad y conectividad con los sensores IoT ultrasónicos de nivel, pluviómetros, estaciones meteorológicas etc. que ya están enviando datos a AWS, también se desarrollo de una solución para integrar los datos recibidos desde los sensores, gestionar alarmas y crear tableros de monitoreo.

Descripción

Mediante los dispositivos de IoT se recopilan los datos y se envían de manera inalámbrica al gateway de LoRaWAN.
El gateway LoRaWAN envía estos datos hacia AWS a través de internet.
AWS IoT Core conecta los dispositivos de IoT y dirige los mensajes a los servicios de AWS.
Usando IoT rules se envían los datos a una función AWS Lambda.
La función AWS Lambda recibe información en base64 y la convierte en un formato que sea consumible por otros servicios.
Usando IoT rules se envían estos datos a AWS IoT Analytics, Amazon TimeStream y Amazon Kinesis Data Firehose.
En Amazon Timestream se almacenan los datos para su análisis y posterior visualización mediante dashboards generados con Amazon Managed Grafana.
Amazon Kinesis Data Firehose extrae, transforma y carga la data y almacena de manera histórica en Amazon S3.
AWS Glue Crawler descubre nueva información almacenada para actualizar las particiones y esquemas de las diversas tablas.
AWS Glue Data Catalog administra el catálogo central de las bases de datos y tablas creadas y se mantiene actualizado por medio de los procesos de AWS Glue Crawlers.
Amazon Athena es un servicio que realiza consulta de los datos con SQL estándar (Presto SQL) a los catálogos que existen en AWS Glue Data Catalog.
Mediante los datos recibidos de los diferentes dispositivos IoT, AWS IoT Analytics realiza de manera automatizada los procesos de limpieza y filtración para luego analizar los datos.
Para generación de las alertas se usan AWS IoT Events, AWS Lambda y AWS Step Functions, y para enviar notificaciones por diferentes canales se usan Amazon Connect y Amazon Pinpoint.

Conclusiones y Próximos Pasos

Gracias a los servicios de AWS ha sido posible gestionar y obtener el máximo provecho a los dispositivos IoT, facilitando su despliegue, permitiendo monitorear ríos y generar alertas tempranas de inundación en diversos lugares. Como próximos pasos se busca optimizar la solución para incluir más recursos hídricos que aporten a la generación de ciudades inteligentes, habilitando también a los ciudadanos para que puedan consultar la información e incluir datos adicionales que no sean necesariamente captados por los dispositivos, pero que ayuden a la mejora continua del modelo para que funcione de una manera más eficiente y rápida.

Imagen10: Lanzamiento oficial PoC (Carlos Rumbo – Director SINAPROC, Camila Saad – Líder del equipo de preparación y respuesta ante desastres en Latinoamérica, Canadá y el Caribe (LCC) de AWS, José Luis Álvaro – Director Grupo TX).

Sobre los autores

Germán Ruiz es Arquitecto de soluciones para socios de negocios en Amazon Web Services para el Sector Público en Centro América, apoyándolos en su camino a la innovación y adopción tecnológica.

Camila Saad es la líder del equipo de preparación y respuesta ante desastres en Latinoamérica, Canadá y el Caribe (LCC) de Amazon Web Services.

José Luis Álvaro es el director de Grupo TX, con más de 15 años de experiencia en el desarrollo de sistemas y soluciones especializadas. Cuenta con las certificaciones de arquitecto de soluciones (asociado y profesional) y la especialidad de seguridad y data analytics de AWS.

Mercedes Di Mase es la CMO de Grupo TX y es responsable de supervisar la planificación, desarrollo y ejecución de estrategias de marketing y comunicación.

Revisores técnicos

Roberto León es Arquitecto de soluciones para socios de negocios en Amazon Web Services para el Sector Público en el Caribe, donde apoya a nuestros socios de negocios a innovar en su jornada de adopción y modernización tecnológica.

Javier Galvez ha trabajado en tecnología de la información durante más de 22 años. En la actualidad, se centra principalmente en el diseño de soluciones para territorios inteligentes sobre la nube AWS, con foco en los servicios de AWS IoT y Kubernetes así como en el desarrollo de actividades técnicas con demostraciones y sesiones interactivas.

Blog de Amazon Web Services (AWS)