Modelos geoestadísticos para la predicción de fallos de una zona de la red de abastecimiento de agua de Bogotá, integrando algoritmos de Machine Learning

Abstract

[EN] Currently new strategies of spatial referencing, data analysis, and machine learning methods are integrated with Geographical Information Systems (GISs) to understand specific characteristics and water supply dynamics. This work explores the variables that can cause spacial failures and potential risk areas with application to a zone in the Bogotá water supply network. Machine learning algorithms are proposed to generate prediction models and potential failure maps. A sensitivity analysis was held to identify the model with the best fit for the estimation. This study will allow water supply decisions makers to focalize their efforts in the field.

[ES] Actualmente se buscan nuevas estrategias y/o metodologías basadas en la integración de los Sistemas de Información Geográfica (SIGs) como forma de georeferenciacion espacial y visualización de las variables analizadas, junto con métodos de aprendizaje automático (Machine Learning) que permitan entender características puntuales, variables influyentes y dinámicas de los sistemas de abastecimiento de agua potable.En este trabajo se hace la identificación espacial de los fallos y zonas potenciales de riesgo que se presentan en una zona de la red de abastecimiento de Bogotá, explorando las variables que puedan tener mayor incidencia en los mismos. Se propone el uso de algoritmos de aprendizaje automático para la generación de modelos de predicción y la elaboración de mapas de fallos potenciales, identificando, a través de un análisis de sensibilidad, cuál de estos modelos presenta un mejor ajuste en la estimación. Este estudio permite a los gestores del abastecimiento una localización precisa y eficiente de los fallos en la red, apoyando el proceso de toma de decisiones.