Big Data para la gestión de riesgos.


En Mayo del 2017 la región de la sub-cuenca A1 del Río Salado se encontraba en una situación crítica de anegamiento. Las intensas lluvias sumadas a los altos niveles de la napa freática castigaron fuertemente la zona. En la figura de a continuación, observamos la cuenca y la superficie cubierta por agua. A pesar de que una situación de inundación generalizada afecta de forma transversal a la economía y vida de la región, algunos productores son más resilientes para hacer frente a una catástrofe así.


A partir del cruce de imágenes de satélite y el plano catastral en este lab analizamos la situación de inundación de 3 productores rurales vecinos, es decir cómo impactó el evento climático de Mayo del 2017 en cada uno de ellos. Luego se extiende el análisis para todas las parcelas de una región, obteniendo la serie temporal del porcentaje inundado en cada una de ellas y luego realizando un clustering para determinar tres niveles de riesgo. La imagen precedente puede indicar el impacto económico a nivel regional, pero es posible sacarle mucho más valor al cruzarlo con el mapa de parcelas rurales. En la figura de a continuación, se remarcan los 3 lotes analizados. En el ejemplo, tenemos dos de ellos que son vecinos con igual superficie de lote y el tercero duplica el área de los anteriores.


A cada lote le afectó de forma distinta la inundación, la parcela 1 quedó prácticamente en su totalidad bajo el agua, mientras que la parcela 2, a pesar de ser contigua, sólo tuvo el 20% de su superficie inundada. De modo general, se observa en la serie de tiempo de superficie relativa afectada que el productor 1 es más vulnerable que el 2, y por lo tanto percibe un mayor riesgo, condición que luego se verifica en el clustering. Por otro lado, ante un evento extremo como el de Mayo, la parcela 3 pudo soportar mejor el impacto que la 1. La diferencia entre el porcentaje de área inundada en Mayo y la mediana de esa variable es el doble para el lote 1 que para el 3 (77% vs 37%). A continuación, se muestran las series temporales para cada una de las parcelas, un cuadro con estadísticos que detallan la respuesta de estas tres parcelas ante las inundaciones y un mapa interactivo dónde se puede observar el impacto diferenciado por parcela.




Utilizando una metodología similar, se calculó la serie temporal del porcentaje de parcela inundado para 3182 parcelas de una región definida. Para cada una de ellas se describe la media, la mediana, el mínimo, el máximo y desvío estándar. Luego, se las agrupa en 3 grupos de riesgo distintos mediante un clustering de k medias.

Se identificaron 3 clusters o grupos de riesgo distintos. El primero es el más vulnerable, la media de su superficie inundada ronda el 18% y muestra alta volatilidad temporal (desvío estándar 20%). El segundo, es el más numeroso y el que menos riesgo percibe ante una inundación. Finalmente, el cluster 3 tiene una vulnerabilidad intermedia, comprendida entre los anteriores.


A raíz de lo expuesto anteriormente y sumado a las posibilidades tecnológicas existentes es posible generar un scoring climático para un seguro con primas personalizadas según la vulnerabilidad de cada productor. En el mapa de a continuación se presentan los grupos 1, 2 y 3 con los colores rojo, verde y amarillo respectivamente. Las técnicas de Big Data y cómputo paralelo permiten realizar este tipo de análisis en cuestión de segundos y gestionar el riesgo climático de forma más inteligente.