Incendios en EEUU: ¿Cómo puede ayudar la Ciencia de Datos a gestionar los recursos contra incendios?

Antonio Romero Camacho
Sep 19, 2020
11 min read

En las últimas semanas son numerosas las noticias relacionadas con los incendios sin precedentes que envuelven la costa oeste de Estados Unidos.

Según las informaciones del diario EL PAÍS, al menos 25 personas han muerto y más de medio millón tienen órdenes de evacuación a causa de estos incendios.

Figura 1. Bombero ayudando a extinguir los fuegos en la costa Oeste (Fuente, BBC)

California, un Estado del tamaño de España más que acostumbrado a la amenaza del fuego, se ha dado cuenta que esta vez es diferente tras la nueva oleada de incendios de la última semana . Los recursos que normalmente se prestan unos Estados a otros están al límite. En realidad afecta a toda la costa Oeste pues en Oregón ya se ha dado orden de evacuación a más de un 10% de la población.

¿Cómo podemos evaluar la capacidad de los recursos existentes en la lucha contra el fuego para situaciones de emergencia como la que se vive en la costa Oeste?

En esta ocasión se ha empleado CARTO, que es una plataforma Software como servicio de computación en la nube que proporciona herramientas de Sistema de Información Geográfica (SIG) y de mapeo web para ser visualizadas en un navegador.

Objetivo

Este post muestra el desarrollo de una visualización con CARTO que permita, al personal responsable del aprovisionamiento de centros de bomberos de una ciudad, conocer si los recursos existentes son suficientes o si por el contrario, es necesario implantar nuevos parques de bomberos.

El objetivo final es que mediante este estudio, la autoridad responsable del aprovisionamiento de estaciones de bomberos sea capaz de:

Identificar si hay necesidad de ampliar el número de parques de bomberos para garantizar un rápido auxilio en todas las zonas de la ciudad en caso de ser necesario
Garantizar que todas las emergencias puedan ser atendidas en el menor tiempo posible, minimizando el número de daños personales y reduciendo los costes materiales causados por el fuego.

Este análisis se ha realizado en base a las distancias de las patrullas de bomberos a focos de accidentes causados por fuego. Para ello se han utilizado datos geolocalizados obtenidos de la plataforma de datos abiertos de Chicago (Chicago Data Portal).

Para poder sacar conclusiones de la visualización haremos una hipótesis: supondremos que el responsable del ayuntamiento ha ordenado estudiar la posibilidad de reubicar parques existentes o crear nuevos parques de bomberos si la distancia entre los parques de bomberos existentes y los focos de fuego es superior a 1 kilómetro.

Obtención de los datos

Los datos se obtuvieron del portal de datos abiertos de la ciudad de Chicago “Chicago Data Portal”. Se descargaron las siguientes bases de datos independientes:

- Base de datos estaciones de bomberos: Los datos están disponibles dentro de la sección de Public Safety del portal de datos de la ciudad de Chicago. Estos pueden descargarse accediendo al siguiente enlace. El dataset incluye información geolocalizada de las estaciones de bomberos. El formato de los datos es CSV pero, tal y como están organizados, CARTO no es capaz de gelolocalizar. Por ello los datos tendrán que ser preprocesados antes de subirlos a CARTO.

- Base de datos de incidentes a causa del fuego: Estos datos se encuentran dentro de la sección de Public Safety. En concreto los datos fueron tomados de la base de datos Crimes – 2001 to present por contener información de diferentes tipos de incidentes considerados como crimen durante los años 2001 hasta la actualidad en la ciudad de Chicago. A continuación se incluye enlace a la página donde encuentra el dataset. Antes de la descarga, los datos fueron filtrados con ayuda del asistente de la web para quedarnos sólo con los registros relacionados con fuego. Para ello filtramos por el campo Descripción que contenga las palabras BY FIRE. Tras la operación de filtrado, los datos se descargaron en formato CSV.

Figura 2. Filtrado de datos Crimes -2001 to present por Description

Preprocesado de datos en Python

Ambas bases de datos fueron preprocesadas antes de cargarlas a CARTO. A continuación, se describen las operaciones realizadas con los datasets:

- Base de datos estaciones de bomberos: los datos no eran geolocalizados correctamente en CARTO. Los datos de latitud y longitud estaban incluidos dentro del campo Location del dataset original. Mediante Python pudimos extraer la información de latitud y longitud (que viene dada entre paréntesis) y separarla en dos columnas (latitud y longitud). Una vez realizada esta operación, eliminamos la columna Location puesto que ya no será necesaria. El archivo a utilizar en CARTO se nombró como Fire_STATIONS_CHICAGO_GIS.csv.

Figura 3. Código de Python para geolocalizar los datos de estaciones de bomberos

Figura 4. Transformación del dataset estaciones de bomberos: a) Original, b) Postprocesado

- Base de datos de incidentes a causa del fuego: En este caso CARTO no permitía modificar el tipo de dato de la variable Date (de tipo string a date) en la propia plataforma. Si se utiliza como un string, las funcionalidades de la herramienta limitan el análisis (widgets de tiempo). Por ello se utilizó Python para cambiar de formato la fecha, expresándola en modo AÑO-MES-DÍA seguida de la hora en formato 24 horas. El dataset transformado se nombró como Fires_CHICAGO.csv.

Figura 5. Código de Python para modificar la base de datos de incidentes a causa del fuego

Figura 6. Transformación del dataset incidentes fuego: a) Original, b) Postprocesado

Importar los datos a CARTO

Los datos fueron cargados a CARTO en dos capas diferentes, las cuales se renombraron como Fire Stations y Fires 2001-Present. El nombre del mapa fue cambiado por CARTO Project – Fire Chicago.

Capas y Widgets

En primer lugar se modificó el fondo del mapa base para que la representación final facilite la interpretación de los datos. Se eligió una capa para el mapa base oscura y sin etiquetas (DARK MATTER (LITE)).

A continuación pasamos a estudiar la capa Fires 2001-Present. Para ello vamos a utilizar los widgets que contabilicen los fuegos en la ciudad de Chicago durante un periodo de tiempo. Además añadiremos un tercer widget que indique el número de fuegos que conllevaron arresto de personas implicadas.

A modo de comprobación hacemos un preanálisis con los datos en crudo usando los widgets descritos. Para ello seleccionamos dos periodos de tiempo de 6 años para comparar el número de incidentes. En el periodo que abarca los años comprendidos entre 2002 y 2007, el número de incidentes registrados por la policía de Chicago ascendió a 3000. En un periodo de igual longitud pero posterior (2013-2018) vemos que la cifra de incendios ha caído hasta los 1805 registros. Lo que no cambia es la proporción de incidentes que vinieron acompañados de detención (puntos verdes). De la Figura 8 podemos concluir que en la mayoría de los casos los incidentes fueron no intencionados.

Figura 8. Análisis de datos con widgets: a) Años 2002-2007, b) Años 2013-2018

Análisis y estilos

La Figura 9 pone de manifiesto el gran número de observaciones del dataset. Puesto que el objetivo es representar las distancias entre los focos de incendio y las distintas estaciones de bomberos, sería conveniente encontrar una forma de agrupar esos focos independientes en puntos que representen a una población cercana. Si no lo hacemos y directamente unimos cada observación con la estación de bomberos más cercana, la visualización no sería tan efectiva.

Figura 9. Datos del dataset representados por distrito (color)

Para generar estos puntos representativos de una población de incidentes cercana se añade un nuevo análisis en la capa Fires 2001-Present. Se utilizó el análisis Create Centroids of Geometries. En el panel del análisis le indicamos que categorice en función del campo district (distrito). Para ejecutar el análisis pinchamos en el botón Apply. Para terminar, modificamos los estilos de los centroides obtenidos: a) aumentamos su tamaño hasta 20; b) cambiamos su color por naranja (#f47a00) y en lugar de usar puntos usamos el símbolo de fuego para dotarle de más significado; c) eliminamos el borde poniendo el parámetro stroke a 0; d) incluimos una etiqueta con los valores de la variable category a tamaño 10; e) fijamos el parámetro Halo Size a 0 y el Offset de la etiqueta a -12 (Figura 10).

Figura 10. Datos del dataset representados por distrito (color)

Al hacer este análisis sólo se mostrarían los centroides. Como queremos mostrar en la capa del fondo con puntos pequeños amarillos todos los datos del dataset, vamos a la pantalla principal y arrastramos hacia abajo del rectángulo de análisis para recuperar la base de datos original. La capa C, que contiene el resultado del análisis anterior fue renombrada como Fire Centroids. Tras cambiar el tamaño de los puntos de la base de datos Fires 2001-Present a 1.5, su color a amarillo (#fef6b5) y establecer el blending con multiply, colocamos la capa B en segundo lugar para que los puntos del dataset original no enmascaren la capa con los centroides (Figura 11b).

Figura 11. Resultado del cálculo de centroides

Ahora pasamos a hacer un segundo análisis que permita conectar los sucesos relacionados con fuego con las estaciones de bomberos. Para ello, se seleccionó la capa C Fire Centroids y se le aplicó el análisis Create Line from Points. El parámetro Type se cambia por To Source porque queremos conectar los centroides con la Source A, es decir la base de datos de parques de bomberos. Además se seleccionó la opción to closest para que el software hiciera las uniones minimizando la longitud. Tras pulsar en Apply, CARTO nos proporciona las uniones entre centroides y parques de bomberos en verde.

Figura 12. Resultado de la unión de centroides y parques de bomberos

A continuación volvemos al menu principal donde tenemos las capas y, pinchando en el último análisis realizado en la capa Centroids, arrastramos hacia abajo para crear una nueva capa D que contenga las distancias. La renombramos con el nombre de Distances. De momento la dejamos por debajo de la capa C de Centroides porque no nos interesa que la línea vaya por encima.

A continuación pasamos a mostrar el cambio de estilos de las líneas calculadas en la capa D de Distance. Cambiamos Stroke Size a by value para que el grosor de la línea dependa de la distancia. Como se puede apreciar en la Figura 13b, las uniones con mayores distancias se representan con líneas más gruesas. El color fue modificado por otro verde (#3af700).

Figura 13. Cambio de estilos de la capa D Distance

A continuación activamos la capa Fire Stations que no estaba activa y la posicionamos por encima de la capa Distance para evitar que la línea se superponga en el icono con el que vamos a representar las estaciones de bomberos. Dentro de los estilos de esta capa, modificamos el tamaño del punto a 20, cambiamos el punto por una gota de agua y le asignamos color azul (#00ffff). Marcaremos la opción de incluir etiqueta y seleccionamos la etiqueta name. Si la etiqueta nos molesta durante la visualización de los datos la desmarcaremos más tarde.

Figura 14. Cambio de estilos de la capa A Fire Stations

La medida exacta de distancia entre los puntos unidos con la línea verde se puede mostrar activando un Pop-Up. Para ello dentro de la capa D de Distance, seleccionamos la pestaña Pop-Up y elegimos el estilo con fondo gris y letras blancas. La máxima distancia de un centroide es la que se muestra en la figura Figura 15 (1494 m).

Figura 15. Pop-Up con longitud medida en línea recta entre ambos puntos (expresada en metros)

Por último añadiremos un nuevo análisis sobre la capa Fire Stations que puede permitir ver de forma visual si hay algún parque de bomberos en un radio específico en torno al punto de origen del fuego. Este análisis puede ser especialmente útil para determinar si son necesarios más parques de bomberos: si en torno a un radio R, establecido por el ayuntamiento, de los centroides no hay ningún parque de bomberos entonces será necesario poner un parque de bomberos más cerca. A continuación vamos a mostrar como hacer este tipo de análisis llamado Create Travel/Distance Buffers. Empezaremos desactivando la capa D para no complicar la visualización al añadir este nuevo elemento. Después pinchamos sobre la pestaña Analysis dentro de la capa Fire Centroids y pinchamos en nuevo análisis (Create Travel/Distance Buffers). Al seleccionar la opción del buffer, seleccionamos las siguientes opciones: a) Radius igual a 1000 m, b) Track igual a 2. Para compilar la instrucción pinchamos en Apply. Hemos elegido un radio de 1 km para analizar si hay al menos 1 parque de bomberos dentro de un radio de 1km en torno a los centroides de incendio previamente calculados. Hemos establecido el número de tracks en 2 para que, en el caso de que haya parques de bomberos dentro del radio, podamos estimar mejor si los parques de bomberos están a menos de medio kilómetro o a menos de 1 km. Antes de acabar iremos al menú de capas y pinchando sobre el nuevo análisis, arrastraremos hacia abajo para crear una nueva capa con este resultado a la que llamaremos Distance Buffer. La colocaremos por debajo de la capa Fire Centroids.

Figura 16. Análisis Create Travel or Distance Buffers (radio 1 km, 2 tracks de 500m)

Podemos distinguir dos situaciones: a) Centroide de fuego con categoría 17, no hay ningún parque de bomberos a 1km de distancia por lo que, si este fuera el criterio de decisión, sería necesario proveer a ese círculo de 1km de radio con un parque de bomberos más cerca; b) Centroide de fuego categoría 14, hay un parque de bomberos en su radar y está a menos de 500m pues la gota de agua que simboliza a los bomberos cae dentro del primer rack.

Leyenda

Para finalizar, hemos incluido una leyenda con los símbolos y el significado de los cinco elementos más importantes de la visualización, que son: i) localización de las estaciones de bomberos (gota de agua), ii) localización de los centroides que representan focos de fuegos ocurridos en chicago (llama de fuego), iii) distancia de los focos de siniestro a la estación de bomberos más cercana (línea verde), iv) localización de todos los focos de siniestro del dataset (puntos pequeños amarillos) y v) buffers de distancia con origen en los centroides de fuego.

Para incluir la leyenda iremos capa por capa seleccionando la pestaña Legend. En las capas A, C, D y E tenemos sólo una opción de leyenda por lo que seleccionaremos la única disponible (Custom Legend). En la capa B seleccionamos la opción Custom Legend también. En el campo habilitado dentro del paso 2 (Creating your legend) escribimos la descripción a mostrar junto al símbolo de cada capa.

Figura 17. Generación de leyendas en las capas A,B,C y D

Figura 18. Leyenda con cinco de los elementos representados en el mapa

Conclusiones extraídas de la visualización

Del análisis previo con los widgets se extrajeron las siguientes conclusiones:

En base al número de incendios registrados durante el periodo 2002-2007 y el 2013-2018 observamos que el número de sucesos relacionados con fuego ha disminuido un 40%. El widget histograma Date (Quarter) muestra que la tendencia es decreciente de 2001 hasta la actualidad.
En el periodo 2013-2018 se produjeron 1805 accidentes relacionados con el fuego de los cuales 1700 no conllevaron el arresto de personas. Sólo se produjeron 117 arrestos. Por ello se puede concluir que la mayoría de estos fuegos sean no provocados intencionadamente.
Con el widget histograma District se puede identificar que los distritos numerados entre el 7 y el 10 registraron en el periodo 2001-2020 un mayor número de incidentes relacionados con el fuego (2520 sobre un total de 7566).
El widget Distance Length nos indica de forma poco exacta que la mínima distancia de los centroides calculados por CARTO a un parque de bomberos no es superior a 1.4 kilómetro (es una aproximación, no es una medida fina).

Figura 19. Widget District: Distritos con mayor número de incidentes con fuego (Distritos 7-10)

Mediante el uso de las herramientas de análisis utilizadas (buffers de distancia y líneas de unión entre parques de bomberos y focos de fuego) podemos sacar las siguientes conclusiones:

1. Las líneas de unión entre parques de bomberos y centroides de fuego nos indican con exactitud la máxima distancia entre esos dos puntos. Con el conjunto de datos que hemos trabajado y los centroides calculados, la máxima distancia observada es de 1494 m. En la Figura 20 vemos algunos casos más donde las distancias son superiores a 1 km. Los casos mostrados en la siguiente figura y otros que no se muestran en la imagen serían casos a estudiar por superar la distancia máxima establecida por los responsables (1 km).

Figura 20. Análisis de líneas entre dos puntos y Pop-Up

2. Los buffers son realmente de ayuda pues sin necesidad de tener que clickar sobre la línea verde para conocer la distancia, nos permiten ver si tenemos que analizar más en profundidad la opción de relocalizar algún parque de bomberos existente o incluso crear un nuevo parque. Aquellas zonas donde la gota de agua (parque de bomberos) caiga fuera del buffer morado representará que la distancia es superior a 1km. La Figura 21 muestra los tres casos presentes en el mapa: a) Distancia entre los dos puntos inferior a 500 m (no hay que actuar), b) Dos estaciones de bomberos dentro del radar a una distancia comprendida entre 500 m y 1 km (no hay que actuar), c) Distancia a la estación más cercana es superior a 1 km (hay que analizar este caso y buscar una solución para minimizar los tiempos de actuación y en consecuencia los daños).

Figura 21. Análisis de líneas entre dos puntos y Pop-Up

Los resultados proporcionados por la visualización se han recogido en la Tabla 1 para extraer las últimas conclusiones:

En 6 casos de los 23 estudiados con esta visualización, el parque de bomberos más cercano se encuentra a menos de 500 m.
En 9 de los 23 casos estudiados con la visualización, el parque de bomberos más cercano se encuentra a menos de 1000 m.
En 8 de los 23 casos estudiados con la visualización, el parque de bomberos más cercano se encuentra a más de 1000 m (1000-2000 m).
En un estudio más profundo el Ayuntamiento de Chicago planteará la posibilidad de reubicar o abrir nuevos parques de bomberos para cumplir con la hipótesis planteada al inicio del informe. El número de casos a estudiar equivale a un 35% de los casos analizados en esta visualización.