Diseño de un sistema de software para el monitoreo meteorológico y la generación de alertas tempranas de desastres naturales en el Área Metropolitana del Valle de Aburrá

Abstract

El área metropolitana del Valle de Aburrá presenta condiciones geográficas y climáticas que la hacen especialmente vulnerable a eventos hidrometeorológicos extremos como deslizamientos, inundaciones e incendios, por lo que ante la ausencia de una herramienta de software integrada que permita analizar y visualizar el riesgo por sector de forma automatizada, el presente proyecto desarrolla un sistema de software modular compuesto por tres módulos de predicción independientes. Cada módulo extrae datos históricos y en tiempo real desde la API Open-Meteo, construye variables hidrometeorológicas derivadas y entrena modelos de aprendizaje autónomo como XGBoost con series temporales horarias desde 2020 hasta 2026, para los modelos se incorporan factores geográficos específicos por sector como la pendiente, drenaje, inestabilidad del suelo, vegetación y exposición al viento con el fin de producir estimaciones del riesgo, estos resultados se visualizan mediante mapas interactivos Folium codificados por color y gráficos comparativos por sector. Los tres módulos presentan métricas de Accuracy y ROC-AUC superiores a 0.90, evidenciando la viabilidad técnica del sistema como herramienta de apoyo a la gestión del riesgo para instituciones como el SIATA, Bomberos y Defensa Civil en el Valle de Aburrá.Abstract The Metropolitan Area of the Aburrá Valley, due to its geographical and climatic characteristics, faces high vulnerability to extreme hydrometeorological events such as landslides, floods, and wildfires. Given the lack of integrated tools for automated sector-based risk analysis, this research develops a modular software system focused on predicting and visualizing these threats. The implemented methodology integrates real-time and historical data extraction from the Open-Meteo API, the processing of hourly time series (spanning 2020-2026), and the training of classification models based on the XGBoost algorithm. A key innovation of the system is the incorporation of local geographic factors—including slope, drainage, soil instability, vegetation cover, and wind exposure—enabling a territorially contextualized risk estimation. The results, represented through interactive Folium maps and sectoral comparative analyses, demonstrate outstanding performance with Accuracy and ROC-AUC metrics exceeding 0.90 across all three modules. It is concluded that the system possesses high technical viability as a decision-support tool for risk management organizations such as SIATA, Firefighters, and Civil Defense within the region.