Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en
Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg
Diseño Piloto de SIG para alerta temprana de Tsunami en Ecuador usando un GPS de alta precisión, desarrollado con software libre. GIS Design - Pilot for Tsunami early warning at Ecuador with high precision GPS, developed with free software. by/por
Hugo Giovanny Jibaja Mera 11825807 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Advisor ǀ Supervisor: Anton Eitzinger PhD
Quito - Ecuador, Abril de 2021
COMPROMISO DE CIENCIA
Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.
Quito - Ecuador, 14 de abril de 2021
(Lugar, Fecha)
Firma
AGRADECIMIENTOS
Un agradecimiento a todo el equipo de UNIGIS por su apoyo en la formación de la maestría, en especial a Richard Resl y Fernanda Bonilla por su valiosa guía en el desarrollo de la tesis. De igual manera, a Paty Mothes, Andrés Herrera y Cristian Cisneros del Instituto Geofísico de la Escuela Politécnica Nacional.
DEDICATORIA
A Dios, a mi esposa Vanessa, a Matías: nuestra bendición y regalo de Dios quien día a día nos llena de alegría, a mis padres Víctor y Laura, mi hermana Carolina, Javi, mis sobrinos Anthony, Emily, a mis suegros Fernando y Vilma, Alex, y también a quienes forman parte de la familia: Lily, Negry, Goofy. Gracias a todos por ser mi inspiración, mi ejemplo a seguir y el motor de mi vida para seguir alcanzando sueños y poder disfrutar juntos de los logros de toda la familia.
RESUMEN El Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN) de Ecuador actualmente tiene instalada la Estación GPS San Lorenzo de alta precisión que transmite información de su posición en tiempo real desde el norte de la provincia de Esmeraldas hasta el servidor central instalado en el IGEPN en la ciudad de Quito. Los datos de la estación GPS al momento no tienen tratamiento alguno y se requiere un Sistema de Información Geográfica (SIG) que permita utilizar estos datos para generar una alerta temprana de posible Tsunami. El presente proyecto de tesis busca diseñar e implementar un SIG a escala piloto para generar una alerta temprana de Tsunami en Ecuador gracias a las ventajas que brindan los sistemas de navegación global usando satélites artificiales (GNSS) desarrollado con software libre (PostgreSQL, Python). Se diseñó una base de datos que almacena la información proveniente del GPS de las componentes en sentido norte-sur, este-oeste y posición vertical, así como también, datos del epicentro del evento sísmico que lo genere. Se aplica el modelo matemático de Song para calcular la Energía Total y la Escala de Tsunami, luego con base en esta información el sistema verifica si existe o no la posibilidad de ocurrencia de un evento de Tsunami en la zona costera de Ecuador.Se ejecutan los scripts desarrollados en Python usando el entorno gráfico de Visual Studio Code, con el fin de mostrar en este visor los resultados de los indicadores de Tsunami: series de tiempo de la variación de las componentes: norte-sur, este-oeste y posición vertical del GPS, Energía Total y Escala de Tsunami calculadas. Además, en este visor se activará una alerta visual y auditiva de posible Tsunami dependiendo de los resultados de la Escala de Tsunami obtenida. Finalmente, se verificó el funcionamiento el SIG – piloto usando datos reales de dos eventos sísmicos que usaron el modelo de Song exitosamente. El terremoto y tsunami de Japón Tohoku-Oki (Mw 9.0) generado el 11 de marzo de 2011 y el terremoto y tsunami de Chile generado el 27 de febrero de 2010 (Mw 8.8). Palabras claves: Alerta temprana, GIS, GNSS, Python, Software libre, Tsunami.
5
ABSTRACT The Geophysical Institute of the National Polytechnic School (IGEPN) in Ecuador currently has the highly accurate GPS San Lorenzo Station installed that transmits information in real time from the north of Esmeraldas city to the central server installed at the IGEPN in Quito city. The GPS data obtained at the moment doesn’t have any treatment and a Geographic Information System (GIS) is required that allows using this data to generate a possible Tsunami early warning. This project pursues to design and implement a pilot scale GIS to generate Tsunami early warning in Ecuador thanks to the advantages provided by global navigation systems using artificial satellites (GNSS) and will be developed with open software (PostgreSQL, Python). A database was designed that stores the information from the GPS of the components in the north-south, east-west and vertical position, as well as data from the epicenter of the seismic event that generates it. Song's mathematical model is applied to calculate the Total Energy and the Tsunami Scale, then based on this information the system verifies whether or not there is the possibility of a Tsunami event occurring in the coastal zone of Ecuador. The scripts developed in Python are executed using the Visual Studio Code graphical environment, in order to show in this viewer the results of the Tsunami indicators: time series of the variation of the components: north-south, east-west and GPS vertical position, Total Energy and Tsunami Scale calculated. In addition, in this viewer a visual and auditory alert of a possible Tsunami will be activated depending on the results of the Tsunami Scale obtained. Finally, the operation of the GIS-pilot was verified using real data from two seismic events that used the Song model successfully. The Japan Tohoku-Oki earthquake and tsunami (Mw 9.0) generated on March 11, 2011 and the Chilean earthquake and tsunami generated on February 27, 2010 (Mw 8.8). Key words: Early warning, GIS, GNSS, Open Software, Python, Tsunami.
6
TABLA DE CONTENIDO PÁGINA 1. INTRODUCCIÓN ............................................................................................. 15 1.1 ANTECEDENTES ................................................................................... 15 1.2 OBJETIVO GENERAL ............................................................................ 16 1.3 OBJETIVOS ESPECÍFICOS ................................................................... 16 1.4 PREGUNTAS DE INVESTIGACIÓN....................................................... 17 1.5 HIPÓTESIS ............................................................................................. 17 1.6 JUSTIFICACIÓN ..................................................................................... 18 1.7 ALCANCE................................................................................................ 20 2. REVISIÓN DE LITERATURA ......................................................................... 21 2.1 MARCO TEÓRICO.................................................................................. 21 2.1.1 GPS .............................................................................................. 21 2.1.2 SISTEMA DE NAVEGACIÓN GNSS ........................................... 21 APLICACIONES DEL SISTEMA GNSS ....................................... 23 2.1.3 DATOS GPS ................................................................................. 24 2.1.4 TSUNAMI...................................................................................... 25 2.2 MARCO HISTÓRICO .............................................................................. 28 2.2.1 TSUNAMIS ................................................................................... 28 2.2.2 TECNOLOGÍA APLICADA EN ALERTA TEMPRANA DE TSUNAMI 30 2.2.3 MODELO DE SONG PARA LA PREDICCIÓN DE TSUNAMIS .. 31 2.3 MARCO METODOLÓGICO .................................................................... 32 2.3.1 SISTEMA DE ALERTA TEMPRANA DE TSUNAMI .................... 32 2.3.1.1 REQUISITOS ................................................................... 32 2.3.1.2 DESPLAZAMIENTO DEL SUELO................................... 33 7
2.3.1.3 INTERCAMBIO DE DATOS ............................................ 33 2.3.1.4 TRANSMISIÓN DE DATOS EN TIEMPO REAL ............. 34 2.3.2 APLICACIÓN DE GTEWS............................................................ 35 2.3.3 REDES PROTOTIPO EXISTENTES ........................................... 35 2.3.4 MÉTODO DE SONG PARA LA DETERMINACIÓN DE ESCALAS Y ORIGEN DE TSUNAMI BASADO EN DATOS GPS ........................... 36 2.3.5 SOFTWARE LIBRE PARA DESARROLLO DE APLICACIONES 42 2.3.5.1 OGC: CONSORCIO GEOESPACIAL ABIERTO ............ 42 2.3.5.2 ADMINISTRADOR DE BASE DE DATOS POSTGRE SQL ......................................................................................... 42 2.3.5.3 POSTGIS
COMPLEMENTO
ESPACIAL
DE
POSTGRESQL ................................................................ 42 2.3.5.4 MAPSERVER .................................................................. 43 2.3.5.5 GEOSERVER .................................................................. 43 2.3.5.6 LENGUAJE DE PROGRAMACIÓN PHYTON ................ 43 3. METODOLOGÍA.............................................................................................. 44 3.1 AREA DE ESTUDIO................................................................................ 44 3.2 FLUJOGRAMA ........................................................................................ 45 3.3 DESCRIPCIÓN DE LA METODOLOGÍA ................................................ 48 3.3.1 GENERALIDADES ....................................................................... 48 3.3.2 ETAPAS PARA DESARROLLO DEL SIG – PILOTO PARA ALERTA DE TSUNAMI ........................................................................... 49 3.4 JUSTIFICACIÓN DE LA METODOLOGÍA .............................................. 51 3.4.1 DISEÑO Y ACTUALIZACIÓN DE BASE DE DATOS .................. 52 3.4.2 CÁLCULOS Y ANÁLISIS DE DATOS .......................................... 52 3.4.3 VISUALIZACIÓN Y ALERTA DE TSUNAMI ................................ 54 3.4.4 PRUEBA DE FUNCIONAMIENTO ............................................... 54 4. RESULTADOS Y DISCUSIÓN ....................................................................... 55 4.1 RESULTADOS ........................................................................................ 55
8
4.1.1 ETAPA 1: DISEÑO Y ACTUALIZACIÓN DE BASE DE DATOS . 55 4.1.2 ETAPA 2: CÁLCULOS Y ANÁLISIS DE DATOS PARA EMITIR ALERTA DE TSUNAMI ........................................................................... 60 4.1.3 ETAPA 3: GRÁFICOS DE SERIES DE TIEMPO E INDICADORES DE LA ALERTA DE TSUNAMI................................................................ 63 4.1.4 PRUEBA DE FUNCIONAMIENTO SIG-PILOTO ......................... 66 4.1.4.1 ESTACIÓN SMST – SIMOSATO DE JAPÓN - 11/03/2011 ......................................................................................... 66 4.1.4.2 ESTACIÓN SANT – SANTIAGO DE CHILE - 27/02/2010 ......................................................................................... 70 4.2 ANÁLISIS DE RESULTADOS................................................................. 73 4.2.1 DATOS DE LA ESTACIÓN snlr - SAN LORENZO DE ecuador – 24/11/2020 .............................................................................................. 73 4.2.2 DATOS DE LA ESTACIÓN SMST – SIMOSATO DE JAPÓN 11/03/2011 .............................................................................................. 76 4.2.3 DATOS DE LA ESTACIÓN SANT – SANTIAGO DE CHILE 27/02/2010 .............................................................................................. 80 4.2.4 ANÁLISIS DEL FUNCIONAMIENTO DEL SIG-PILOTO ............. 84 5. CONCLUSIONES Y RECOMENDACIONES.................................................. 86 5.1 CONCLUSIONES.................................................................................... 86 5.2 RECOMENDACIONES ........................................................................... 87 6. REFERENCIAS ............................................................................................... 89 7. ANEXOS .......................................................................................................... 98
9
LISTA DE FIGURAS PÁGINA Figura 1. Componentes del Sistema GNSS ..................................................................... 22 Figura 2. Componentes de una estación permanente GPS.............................................. 23 Figura 3. Nomenclatura de archivos RINEX ..................................................................... 25 Figura 4. Tsunami formado por desplazamiento del fondo marino y erupciones volcánicas ................................................................................................................. 26 Figura 5. Efecto del Tsunami en costas con poca y gran inclinación ................................ 27 Figura 6. Proceso de un tsunami ...................................................................................... 27 Figura 7. Mapa Geodinámico del margen ecuatoriano. .................................................... 29 Figura 8. Sistema de alerta temprana de Tsunami ........................................................... 32 Figura 9. Red GNSS / GPS en tiempo real....................................................................... 34 Figura 10. Ubicación geográfica del área de estudio ........................................................ 45 Figura 11. Flujograma SIG – Piloto alerta de Tsunami ..................................................... 47 Figura 12. Muestra de un archivo procesado con RTKPOST ver 2.4.2. ........................... 55 Figura 13. Muestra del archivo Excel con información de los epicentros. ......................... 56 Figura 14. Base de datos “Tsunami” – Tabla “mobile” ...................................................... 57 Figura 15. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SNLR – San Lorenzo – 24/11/2020 ............................... 65 Figura 16. Tabla de datos de origen de las series de tiempo ........................................... 66 Figura 17. Descarga de datos Rinex Estación SMST – Japón – 11/03/2011.................... 67 Figura 18. Procesamiento de datos Rinex Estación SMST – Japón – 11/03/2011 ........... 67 Figura 19. Carga de datos procesados de la Estación SMST – Japón – 11/03/2011 ....... 68 Figura 20. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 ......................................... 69 Figura 21. Activación de la posible alerta de tsunami en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 ......................................... 70 Figura 22. Descarga de datos Rinex Estación SANT – Chile – 27/02/2010 ..................... 70 Figura 23. Procesamiento de datos Rinex Estación SANT – Chile – 27/02/2010 ............. 71 Figura 24. Carga de datos procesados de la Estación SANT – Chile – 27/02/2010 ......... 71 Figura 25. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SANT – Chile – 27/02/2010 ........................................... 72 Figura 26. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación SNLR ....... 73
10
Figura 27. Serie de tiempo: Energía Total del Tsunami calculada .................................... 75 Figura 28. Serie de tiempo: Escala de Tsunami calculada ............................................... 76 Figura 29. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación - SMST ..... 77 Figura 30. Desplazamientos del terremoto Tohoku de 2011 de estaciones GPS cercanas (línea azúl) comparadas con registros de movimiento fuerte de redes japonesas KikNet corregidas (línea roja). El tiempo de cada cuadro es de 250 s. .......................... 78 Figura 31. Serie de tiempo: Energía Total del Tsunami calculada .................................... 78 Figura 32. Impresión de la tabla que muestra valores mayores o iguales a 5 en la Escala de Tsunami en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 ..................................................................................... 79 Figura 33. Serie de tiempo: Escala de Tsunami calculada ............................................... 79 Figura 34. Activación de la alerta de tsunami: valor más alto de la escala en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 .............. 80 Figura 35. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación - SANT ..... 81 Figura 36. Desplazamientos de 8 estaciones GPS en la parte central de Chile y oeste de Argentina. ............................................................................................................. 82 Figura 37. Serie de tiempo: Energía Total del Tsunami calculada .................................... 83 Figura 38. Impresión de la tabla que muestra valores mayores o iguales a 4.5 en la Escala de Tsunami en el entorno gráfico de Visual Studio Code de la Estación SANT – Chile – 27/02/2010 ....................................................................................... 83 Figura 39. Serie de tiempo: Escala de Tsunami calculada ............................................... 84 Figura 40. Muestra de un archivo compacto RINEX versión 3.0 ...................................... 98
11
LISTA DE TABLAS PÁGINA Tabla 1: Escala de Tsunami para generar alerta temprana .............................................. 41 Tabla 2: Estructura de la Tabla “mobile” en la base de datos “Tsunami” .......................... 57 Tabla 3: Consulta de sismicidad del 22 al 26 de noviembre de 2020 ............................... 74 Tabla 4: ET: Energía Total y ST: Escala de Tsunami calculados en distintos eventos usando el modelo de Song (GPS) y soluciones sísmicas convencionales. ............... 84 Tabla 5: ET: Energía Total y ST: Escala de Tsunami calculados en distintos eventos usando el modelo de Song (GPS) y el SIG-piloto a partir de datos GPS................... 85
12
LISTA DE ANEXOS PÁGINA ANEXO I: EJEMPLO DE ARCHIVO RINEX ..................................................................... 98
13
ACRÓNIMOS GEONET
GPS Earth Observation Network - Red de observación terrestre GPS de Japón
GGOS
Global
Geodetic
Observing
System
-
Sistema
de
Satellite Systems
-
Sistemas
de
Observación Geodésico Mundial. GNSS
Global
Navigation
navegación global por satélite. GPS
Global Positioning System - Sistema de posicionamiento global.
GTEWS
Global Navigation Satellite System Enhancement for Tsunami Warning Systems.
IGEPN
Instituto Geofísico de la Escuela Politécnica Nacional.
INOCAR
Instituto Oceanográfico de la Armada.
JICA
Agencia de Cooperación Internacional del Japón.
Mw
Moment magnitude scale - Escala sismológica de magnitud de momento.
NASA
National Aeronautics and Space Administration
RINEX
Receiver Independent Exchange - Receptor de Cambio Independiente.
SGR
Secretaría de Gestión de Riesgos de Desastres.
TEQC
Translate Edit Quality Check - Traducir Editar y Control de calidad
VPN
Virtual Private Network – Red privada virtual.
14
1. INTRODUCCIÓN 1.1
ANTECEDENTES
El sismo-tsunami se define como un sismo que provoca tsunami y su origen ocurre en el subsuelo marino, presenta magnitudes altas y de poca profundidad. El movimiento brusco produce levantamientos o hundimientos súbitos de la corteza y esto desencadena el desplazamiento de la columna de agua, propagación e inundación al llegar a la costa (IGEPN, 2020). En el Océano Pacífico han ocurrido la mayoría de los grandes y devastadores tsunamis. En el siglo pasado ocurrieron cinco sismos que generaron tsunamis significativos a lo largo del litoral ecuatoriano (Ioualalen et al., 2014). El terremoto-tsunami de 1906 en las costas de Ecuador está considerado como uno de los 10 terremotos más grandes registrados en la historia (IGEPN, 2020). Desastres de tsunami de las últimas dos décadas fueron causados principalmente por un mega-terremoto a lo largo del Indo-Pacífico conocido como El Anillo de Fuego. El terremoto de Sumatra-Andamán 2004 (Mw 9.2) y tsunami del Océano Índico (Hoechner, Babeyko, & Sobolev, 2008). El terremoto de Maule 2010 (Mw 8.8) en Chile (Sobolev et al., 2007). El terremoto de 2011 (Mw 9,0) Tohoku-Oki en Japón (Hoechner, Ge, Babeyko, & Sobolev, 2013; Ohta et al., 2012). La devastadora pérdida de vidas humanas ha centrado los esfuerzos para establecer Sistemas de Alerta de Tsunami alrededor del mundo. Actualmente, un sistema GNSS permite medir de forma precisa, rápida y rentable la deformación de la superficie de la Tierra en tiempo real usando el Sistema de Posicionamiento Global (GPS). El desplazamiento del suelo medido con el GPS podría proporcionar alerta de tsunami dentro de los 15 primeros minutos de un terremoto (LaBrecque, Rundle, & Bawden, 2017). Con estos antecedentes, Ecuador desde el año 2013 mantiene un convenio entre la Agencia de Cooperación Internacional del Japón (JICA), la Secretaría de Gestión de Riesgos (SGR), el Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN) y el Instituto Oceanográfico de la Armada (INOCAR) para el 15
Proyecto “Mejoramiento de la Capacidad de Monitoreo de Terremotos y Tsunamis para la Alerta Temprana de Tsunami” (IGEPN, 2020).
1.2
OBJETIVO GENERAL
Diseñar un Sistema de Información Geográfica a escala piloto para generar una alerta temprana en caso de tsunami en Ecuador usando un GPS de alta precisión y desarrollado con software libre.
1.3
OBJETIVOS ESPECÍFICOS
• Diseñar la base de datos donde se almacenará la información que emite la Estación GPS San Lorenzo y la distancia de los epicentros de eventos sísmicos a nivel nacional. • Adaptar los scripts o líneas de programación que se usarán para el software escogido y que se ajusten mejor a las necesidades específicas del proyecto. • Aplicar el modelo matemático seleccionado usando los datos iniciales para calcular la Energía Total y Escala del Tsunami. • Analizar los resultados del modelo matemático y verificar si existe o no la posibilidad de un evento Tsunami. • Emitir una alerta de posible Tsunami si es el caso. • Mostrar en un visor los indicadores de Tsunami, es decir las series de tiempo de la variación de la posición de acuerdo a sus componentes en sentido norte-sur, este-oeste y su posición vertical, Energía Total y Escala de Tsunami calculada. • Emitir en un visor las alertas visuales y auditivas en caso de un posible evento de tsunami.
16
• Realizar una prueba de funcionamiento del nuevo SIG – Piloto.
1.4
PREGUNTAS DE INVESTIGACIÓN
• ¿Es posible diseñar una base de datos para almacenar información que proviene de la Estación GPS San Lorenzo a partir de los archivos corregidos y procesados *.pos, así como las distancias de epicentros de eventos sísmicos? • ¿Se pueden usar scripts o líneas de programación para el desarrollo del SIG con software libre que se ajuste a las necesidades específicas del proyecto? • ¿Se puede aplicar el modelo matemático usando los datos iniciales para calcular la Energía Total y Escala del Tsunami? • ¿En qué condiciones se puede emitir una alerta de posible tsunami tomando en cuenta los cálculos del modelo matemático? • ¿Es posible mostrar en un visor las series de tiempo de la variación de la posición de los datos GPS en sentido este-oeste, norte-sur y posición vertical, Energía Total y Escala de Tsunami calculada? • ¿Es posible emitir alertas visuales y auditivas en caso de un posible evento de tsunami? •
1.5
¿Funciona el nuevo SIG – Piloto para alerta temprana de Tsunami?
HIPÓTESIS
El Sistema de Información Geográfica a escala piloto desarrollado con software libre permite generar una alerta temprana en caso de Tsunami usando datos provenientes de un GPS de alta precisión.
17
1.6
JUSTIFICACIÓN
En el Océano Pacífico han ocurrido la mayoría de los grandes y devastadores tsunamis ya que existe gran cantidad de actividad volcánica y sísmica. La costa del Pacífico de Sudamérica es una de las zonas más propensas para la generación de un tsunami. En el siglo pasado ocurrieron cinco sismos (1906, 1933, 1953, 1958 y 1979) que generaron tsunamis significativos a lo largo del litoral ecuatoriano (Ioualalen et al., 2014). El terremoto-tsunami de 1906 en las costas de Ecuador está considerado en la lista de los 10 terremotos más grandes registrados en la historia, donde alrededor de unas 1.000 a 1.500 personas murieron (IGEPN, 2020). La devastadora pérdida de vidas humanas ha centrado los esfuerzos de los científicos, ingenieros y políticos para establecer Sistemas de Alerta de Tsunami alrededor del mundo en zonas expuestas a este fenómeno natural (LaBrecque et al., 2017). Geofísicos alrededor del mundo han demostrado el valor potencial de una red combinada de sensores sísmicos y geodésicos del Sistema de Posicionamiento Global (GPS) y del Sistema de Observación Geodésico Mundial (GGOS) para proporcionar una rápida y precisa alerta de tsunami. Los datos y modelos de GNSS presentan dos ventajas principales sobre los productos sísmicos tradicionales: no se saturan con la magnitud; y proporciona formas de onda directamente del desplazamiento (LaBrecque et al., 2017). Por lo tanto, el GNSS de alta velocidad en tiempo real proporciona información útil acerca de las mediciones del Sistema GPS para medir de forma precisa, rápida y rentable la deformación de la superficie de la Tierra y la respuesta de la ionósfera a esta deformación es la base principal para establecer su uso en alertas tempranas de Tsunami. El desplazamiento del suelo medido con el GPS podría proporcionar alerta de tsunami dentro de los 15 primeros minutos de un terremoto si se tienen disponibles los datos de la red de GPS en tiempo real y sistemas de análisis adecuados (LaBrecque et al., 2017).
18
La red GPS Global Diferencial de la NASA (GDGPS), logró medir el desplazamiento terrestre causado por el terremoto de magnitud 8.8 sentido en Chile el 27 de febrero de 2010 en tiempo real. Los datos GPS de la zona costera se usaron para calcular la fuente de energía del Tsunami aplicando un modelo exitoso de predicción del Tsunami (NASA, 2010). El modelo de Song ha sido replicado con éxito tres tsunamis históricos causados por el terremoto de Sumatra de 2004, el terremoto de Nias de 2005 y el terremoto de Alaska de 1964. El cual fue comparado exitosamente con las soluciones sísmicas convencionales que suelen tardar horas o días. Lo que demuestra que es una forma adecuada de identificar los terremotos que son capaces de desencadenar tsunamis y los que solo generan falsas alarmas (Song, 2007). Con estos antecedentes, el Ecuador en el año 2013 firmó un convenio entre la Agencia de Cooperación Internacional del Japón (JICA), la Secretaría de Gestión de Riesgos (SGR), el Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN) y el Instituto Oceanográfico de la Armada (INOCAR) para el Proyecto “Mejoramiento de la Capacidad de Monitoreo de Terremotos y Tsunamis para la Alerta Temprana de Tsunami”, con el fin de mitigar los daños causados por la ocurrencia de futuros tsunamis y asegurar el periodo de evacuación de los pobladores locales mediante una apropiada alerta de tsunami (IGEPN, 2020). Actualmente, el Instituto Geofísico de la Escuela Politécnica Nacional de Ecuador tiene instalado un GPS de alta precisión que se encuentra operando desde la parte norte de la ciudad de Esmeraldas en una etapa inicial, el cual no cuenta todavía con un sistema automatizado que permita emitir una alerta temprana en caso de tsunami (IGEPN, 2020). Por las razones expuestas anteriormente, es de vital importancia diseñar un sistema de información geográfica usando software libre que emita una alerta temprana en caso de un posible evento de tsunami, basado en los datos recibidos en tiempo real desde el GPS de alta precesión. Todo esto, con la finalidad de salvaguardar la integridad de la población costera del Ecuador.
19
1.7
ALCANCE
El Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN) de Ecuador actualmente tiene instalada una estación GPS de alta precisión que transmite información de su posición en tiempo real desde San Lorenzo en la provincia de Esmeraldas hasta el servidor central instalado en el IGEPN en la ciudad de Quito. Además, cuenta con un monitoreo y registro continuo de los epicentros de eventos sísmicos a nivel nacional. Los datos obtenidos al momento no tienen tratamiento alguno y se requiere un sistema que permita utilizar estos datos para obtener información con la que se genere una alerta de posible Tsunami. El presente proyecto de tesis busca diseñar e implementar un SIG a escala piloto para generar una alerta temprana de Tsunami en Ecuador utilizando las ventajas que brindan los sistemas de navegación global por medio de satélites artificiales (GNSS) y desarrollado con software libre. Inicialmente se diseñará una base de datos que almacene la información corregida y procesada de los datos proveniente del GPS, así como también, las distancias de los epicentros de los eventos sísmicos más notables. Luego se aplicará un modelo matemático a partir de los datos iniciales y se calculará la Energía Total y Escala de Tsunami, con la cual se verificará si existe o no la posibilidad de ocurrencia de un evento de tsunami. En caso de existir la posibilidad de un evento Tsunami el sistema emitirá la alerta de tsunami respectiva. Para lo cual, se mostrará en un visor los gráficos de series de tiempo con respecto a la variación de sus componentes en sentido norte-sur, este-oeste y posición vertical del GPS, Energía Total y Escala de Tsunami calculada. Además, en este visor se emitirá una alerta visual y auditiva cuando el caso lo amerite. Finalmente se realizará una prueba para verificar el funcionamiento del SIG – Piloto para alerta temprana de Tsunami.
20
2. REVISIÓN DE LITERATURA 2.1
MARCO TEÓRICO
2.1.1
GPS
GPS es un Sistema Global de Navegación por Satélite (GNSS), conformado por varios satélites que se comunican mediante señales de radio, permitiendo a los usuarios conocer con precisión su posición y velocidad las 24 horas del día y en cualquier
lugar
del
planeta,
independientemente
de
las
condiciones
meteorológicas (Acero, 2013; Cardona, Corchuelo, & Mora, 2015). Componentes del GPS El GPS consiste en tres principales segmentos: espacio, control y usuario. Segmento espacial: Está compuesto por los satélites que forman el sistema de navegación y de comunicación. La constelación de 24 satélites de navegación orbitan alrededor de la Tierra (Acero, 2013; Tejada, 2016). Segmento de control: Es un sistema formado por cinco estaciones de seguimiento localizadas alrededor del mundo. Su función es monitorear el segmento espacial, aplicar correcciones de posición orbital y temporal a los satélites, enviar información de sincronización de relojes atómicos y correcciones de posicionamiento de órbitas de los satélites (Acero, 2013; Tejada, 2016). Segmento de usuario: Está formado por el equipamiento GPS. Una estación GPS permanente se compone de: paneles solares, fuente de energía, antena, receptor, computador y dispositivos de entrada / salida (Tejada, 2016; UNAVCO, 2019b).
2.1.2
SISTEMA DE NAVEGACIÓN GNSS
GPS se ha unido a otros sistemas regionales internacionales de navegación por satélite (GNSS) que comparten una capacidad similar y proporcionan una cobertura regional mejorada, como se muestra en la Figura 1 (LaBrecque et al., 2017).
21
Figura 1. Componentes del Sistema GNSS Fuente: (Fellner & Konieczka, 2019)
Actualmente existen varios sistemas de navegación por satélite denominados Global Navigation Satellite System (GNSS), entre los que se encuentran los sistemas
en
operación
NAVSTAR-GPS
(Estados
Unidos)
y
GLONASS
(Federación Rusa). Existen otros sistemas en proceso de desarrollo e implementación, tales como los sistemas GALILEO (Unión Europea), BEIDOU (República Popular China), QZSS (Japón) e IRNSS (India) (Acero, 2013; Cardona et al., 2015). Los satélites GNSS emiten continuamente señales para medir los retrasos introducidos a medida que estas pasan a través de la atmósfera superior ionizada de la Tierra desde el satélite al receptor. Las redes terrestres de receptores GNSS permiten realizar correcciones específicas en los datos iniciales y de esta manera mejoran la precisión de GNSS (Acero, 2013; LaBrecque et al., 2017). Un navegador GPS/GNSS permite conocer la ubicación con un rango de 5 a 15 metros de precisión. En caso de requerir mayor precisión se deberá contar con una estación GNSS de referencia, la cual proporcione al usuario las correcciones necesarias que pueden darse en post-proceso o en tiempo real (Cardona et al., 2015; LaBrecque et al., 2017). Componentes de una estación GNSS permanente
22
Cada estación permanente GNSS se compone de receptor y antena GNSS, sistema fotovoltaico de alimentación, sistema de comunicación y sistema de protección a descargas eléctricas (Cardona et al., 2015; UNAVCO, 2019b). Tal como se muestra en la Figura 2.
Figura 2. Componentes de una estación permanente GPS Fuente: (UNAVCO, 2019b)
Los sistemas instalados en una estación GNSS permanente corresponden a uno o a la combinación de los siguientes sistemas: Radio enlace: Es una conexión entre diferentes equipos de telecomunicaciones usando ondas electromagnéticas (Cardona et al., 2015). Radio modem celular: Permite la comunicación con la estación permanente a través de la red de datos de un operador de telefonía móvil (Cardona et al., 2015). Vía satélite: La información adquirida por algunas estaciones permanentes es transmitida mediante un sistema de comunicación vía satélite (Cardona et al., 2015). Virtual Private Network (VPN): Es un sistema de comunicación con la estación permanente a través de una red local, con el fin de descargar los datos almacenados (Cardona et al., 2015).
APLICACIONES DEL SISTEMA GNSS La red de estaciones permanentes GNSS abre un mundo de posibilidades para la ciencia e investigación para aplicaciones en múltiples campos: estudios
23
atmosféricos, mediciones de vapor de agua precipitable, retardo de señal, procesos meteorológicos y estudios ionosféricos para la interacción de la actividad solar con el planeta (Cardona et al., 2015; Tejada, 2016). Los geógrafos utilizan las observaciones GNSS para medir a escala milimétrica la dinámica terrestre: sismos, erupciones volcánicas, deformación debido al movimiento de una falla, inflación volcánica e incluso almacenamiento de agua subterránea (LaBrecque et al., 2017). La capacidad demostrada de GNSS para medir de forma precisa, rápida y rentable la deformación de la superficie de la Tierra y la respuesta de la ionósfera a esta deformación son la base para establecer su uso en alertas tempranas de Tsunami (Cardona et al., 2015; LaBrecque et al., 2017).
2.1.3
DATOS GPS
Según la tecnología utilizada en la estación permanente GPS Trimble NetR9 GNSS, con la cual se trabajará en este proyecto y al software de procesamiento que se utilizará, la fuente de datos se encuentra en formato RINEX (Trimble Navigation Limited, 2011) FORMATO RINEX RINEX (Receptor de Cambio Independiente) es un formato de fichero de texto ideado para almacenar de forma estandarizada medidas proporcionadas por el sistema de navegación: GPS, GLONASS, EGNOS, WAAS o GALILEO. Fue desarrollado por el Instituto Astronómico de la Universidad de Berne desde el año de 1989 (Calle, 2017; Junta de Andalucía, 2011). En el Anexo 1 se muestra un ejemplo de archivo RINEX. El formato compacto RINEX versión 3.0 fue desarrollado para comprimir archivos en este formato ajustando el antiguo formato de compresión existente para RINEX versión 2.XX. La tasa de compresión, combinado con la compresión de texto adicional, es aproximadamente el 38% de eso con la simple aplicación de compresión de texto (Hatanaka, 2008).
24
Según Calle (2017) y Acero (2013) el formato básico RINEX consiste en cuatro tipos de archivos ASCII: • Archivo de Datos de Observación • Archivos de mensajes de Navegación • Archivo de datos Meteorológicos • Archivo de Mensajes de navegación de GLONASS Según la Junta de Andalucía recomienda seguir el criterio mostrado en la Figura 3, para nombrar a los archivos RINEX.
Figura 3. Nomenclatura de archivos RINEX Fuente: (Junta de Andalucía, 2011)
2.1.4
TSUNAMI
DEFINICIÓN Según INPRES (2019) y Encyclopedia Britannica (2019), Tsunami es una palabra de origen japonés formada por dos términos: tsu, que significa “puerto” o “bahía”, y nami “ola”; se define como una sucesión de olas cada vez más grandes y destructivas que llegan a la costa y producen inundaciones.
25
Un sismo-tsunami se define como un sismo que provoca tsunami y su origen ocurre en el subsuelo marino, presenta magnitudes altas (mayor a 7 en la escala de Richter) y de poca profundidad. El movimiento brusco produce levantamientos o hundimientos súbitos de la corteza y esto desencadena el desplazamiento de la columna de agua, propagación e inundación al llegar a la costa (IGEPN, 2020). ORIGEN DE LOS TSUNAMI Cerca del 90% de estos fenómenos son causados por terremotos y el otro 10% por erupciones volcánicas y fallas geológicas. Un tsunami puede producirse por un desplazamiento brusco del fondo marino (ver lado izquierdo de la Figura 4) o por erupciones volcánicas en el fondo marino (ver lado derecho de la Figura 4) (Encyclopedia Britannica, 2019; INPRES, 2019).
Figura 4. Tsunami formado por desplazamiento del fondo marino y erupciones volcánicas Fuente: (INPRES, 2019)
El tsunami también puede ser generado por otros terremotos tales como erupciones
volcánicas
a
nivel
terrestre,
severos
cambios
climáticos,
deslizamientos de tierra o incluso impactos de objetos extraterrestres (LaBrecque et al., 2017). En la Figura 5 se muestra el efecto del Tsunami en las costas debido a su grado de inclinación. Cuando la costa tiene poca inclinación el maremoto es menos acentuado, mientras que cuando la costa es más empinada, las olas alcanzan mayor altura y su poder destructivo es mucho mayor (INPRES, 2019).
26
Figura 5. Efecto del Tsunami en costas con poca y gran inclinación Fuente: (INPRES, 2019)
PROCESO DE UN TSUNAMI Cuando ocurre un evento tsunami la ola empuja una masa de agua mucho más grande que una ola normal, por lo que el primer impacto de agua viene con gran fuerza provocando que el mar penetre tierra adentro. Antes de la llegada de la primera gran ola la marea baja, desde ese momento hasta la llegada de la ola principal pueden transcurrir de 5 a 10 minutos (INPRES, 2019). Durante el proceso de Tsunami existen tres fases evolutivas: generación, propagación e inundación, como se puede observar en la Figura 6.
Figura 6. Proceso de un tsunami Fuente: (Encyclopedia Britannica, 2019)
27
Fase 1 – Generación: El movimiento brusco de una falla en la que una placa se desplaza sobre otra, provoca el aumento de nivel en el gua (INPRES, 2019). Fase 2 – Propagación: La ola se propaga por las aguas profundas del océano a altas velocidades y la ola superficial es muy suave para ser detectada en alta mar (INPRES, 2019). Fase 3 – Inundación: Al alcanzar aguas con bajas profundidades la ola empieza a ralentizar su velocidad y penetra e inunda el terreno como una gran marea (INPRES, 2019).
2.2
MARCO HISTÓRICO
2.2.1
TSUNAMIS
En el Océano Pacífico han ocurrido la mayoría de los grandes y devastadores tsunamis, los cuales se originan en alguna de las grandes trincheras oceánicas, como las de Chile, Japón y las Aleutianas. Esta zona se caracteriza por presentar límites convergentes y procesos de subducción, siendo la causa principal para la generación de la mayor cantidad de actividad volcánica y sísmica en el planeta (Ioualalen et al., 2014; INPRES, 2019). Desastres de tsunami de las últimas dos décadas fueron causados principalmente por un mega-terremoto a lo largo del Indo-Pacífico conocido como El Anillo de Fuego. El terremoto de Sumatra-Andamán 2004 (Mw 9.2) y tsunami del Océano Índico (Blewitt et al., 2006, 2008; Hoechner et al., 2008) generó la mayor pérdida de vidas a lo largo de la costa de Sumatra donde la inundación por tsunami alcanzó hasta los 30 m (Hoechner et al., 2008). El terremoto de Maule 2010 (Mw 8.8) en Chile causó 124 muertes relacionadas con el tsunami y generó olas de altura de hasta 15-30 m a lo largo de la costa más cercana al epicentro (Melgar et al., 2016; Sobolev et al., 2007). El terremoto de 2011 (Mw 9,0) Tohoku-Oki en Japón generó una inundación por tsunami con olas de 40 m y más de 15.000 personas perdieron la vida (Mazzoni, Crespi, Colosimo, & Branzanti, 2013; Ohta et al., 2012).
28
El Tohoku-Oki del año 2011 ha sido el primer tsunami de grandes magnitudes que aconteció en los tiempos modernos donde a pesar del desarrollo y los avances tecnológicos no se logró evitar la pérdida de vidas y el colapso económico. Lo cual nos recuerda la vulnerabilidad frente a estos eventos incluso en las sociedades más avanzadas (Melgar & Bock, 2013). El terremoto-tsunami de 1906 en las costas de Ecuador está considerado en la lista de los 10 terremotos más grandes registrados en la historia. Las olas del tsunami fueron muy destructivas en las costas bajas y planas desde Río Verde hacia el norte donde alrededor de unas 1.000 a 1.500 personas murieron. El tsunami fue observado en Bahía de Caráquez donde el mar se elevó de 80 a 100 cm en 20 minutos (IGEPN, 2020).
Figura 7. Mapa Geodinámico del margen ecuatoriano. Fuente: (Ioualalen et al., 2014)
29
En la Figura 7 se puede observar que en el siglo pasado ocurrieron cinco sismos (1906, 1933, 1953, 1958 y 1979) que generaron tsunamis significativos a lo largo del litoral ecuatoriano. Las estrellas representan los grandes terremotos de subducción ocurridos durante el siglo XX. Los puntos negros corresponden a los epicentros de eventos con magnitudes mayores a Mw=4 registrados por el IGEPN durante los últimos 20 años (Ioualalen et al., 2014).
2.2.2
TECNOLOGÍA APLICADA EN ALERTA TEMPRANA DE TSUNAMI
La alerta rápida y precisa de tsunami es particularmente importante para las comunidades más cercanas a la fuente del tsunami. Los tsunamis también pueden ser generados por fuerzas de otros terremotos como erupciones volcánicas, cambios climáticos severos, deslizamientos de tierra o incluso impactos de objetos extraterrestres. GNSS también puede proporcionar cierto grado de advertencia durante este tipo de eventos (LaBrecque et al., 2017). La alerta temprana de tsunami tiene requisitos particulares para calcular la magnitud precisa de terremotos, dirección de propagación, movimiento vertical y horizontal del fondo marino. El principal objetivo es reconocer rápidamente que un tsunami está ocurriendo y mejorar las predicciones hacia donde se elevará la ola en costas cercanas y lejanas. Desplazamientos del GPS de los sitios se usan para restringir un modelo de deslizamiento de falla que predice el movimiento del fondo marino (Hammond et al., 2011). Varios estudios retrospectivos del terremoto de Tohoku-Oki demostraron que las predicciones precisas de inundación del tsunami podrían proporcionarse dentro de los 5 minutos de la ocurrencia del terremoto. Las primeras olas del tsunami de Tohoku-Oki golpearon las costas cercanas a los 30 minutos del terremoto que es característica de la mayoría de tsunami en regiones costeras (Mazzoni et al., 2013). Por lo tanto, la mejora GNSS en alerta temprana de tsunami podría haber alertado a las comunidades costeras más cercanas del epicentro del terremoto al menos 25 minutos de antelación (LaBrecque et al., 2017).
30
2.2.3
MODELO DE SONG PARA LA PREDICCIÓN DE TSUNAMIS
Un equipo de investigación liderado por la NASA presentó un prototipo de sistema de predicción de tsunamis, que evalúa rápidamente y estima con gran exactitud el tamaño de los tsunamis resultantes de grandes terremotos (NASA, 2010). Un equipo dirigido por Tony Song del Laboratorio de Propulsión a Chorro de la NASA en California, el 27 de febrero de 2010 después del terremoto de magnitud 8.8 en Chile, usó datos en tiempo real de cientos de sitios de la Red Diferencial Global GPS (GDGPS) para predecir exitosamente el tamaño del tsunami resultante. La precisión de esta red permitir detectar movimientos de tierra de pocos centímetros (NASA, 2010). El equipo de Song concluyó que el terremoto chileno generaría un tsunami moderado que no causaría destrucción significativa en el Pacífico, lo cual se confirmó mediante las mediciones de la altura de la superficie del mar provenientes de los satélites Jason-1 y Jason-2 (NASA, 2010). El método de predicción de Song, estima la energía que produce un terremoto submarino y que se transfiere al océano para generar un tsunami. Se basa en datos de estaciones costeras de GPS cerca de un epicentro, junto con información de la pendiente continental local (Song, 2007) (NASA, 2010). Los sistemas de alerta de tsunami convencionales se basan en estimaciones de la ubicación, profundidad y magnitud de un terremoto para determinar si se puede generar un gran tsunami. Sin embargo, la historia ha demostrado que la magnitud del terremoto no es un indicador confiable del tamaño del tsunami. Los modelos anteriores de tsunami suponen que el poder de un tsunami está determinado por la cantidad de desplazamiento vertical del fondo marino. La teoría de Song dice que los movimientos horizontales de una pendiente continental en falla también contribuyen al poder de un tsunami al transferir energía cinética al océano. Cuando ocurrió el terremoto del 27 de febrero de 2010, la estación de la red GDGPS de la NASA en Santiago, Chile, capturó su movimiento de tierra, a unos 235 kilómetros (146 millas) del epicentro del terremoto. Estos datos se pusieron a
31
disposición de Song a los pocos minutos del terremoto, lo que le permitió derivar los movimientos del fondo marino (NASA, 2010). Basado en estos datos GPS, Song calculó la energía de origen del tsunami, clasificándola como moderada: un 4.8 en la escala de 10 puntos del sistema (10 es el más destructivo). Su conclusión se basó en el hecho de que el movimiento del suelo detectado por GPS indicó que el deslizamiento de la falla transfirió una energía cinética bastante mínima al océano (NASA, 2010).
2.3
MARCO METODOLÓGICO
2.3.1
SISTEMA DE ALERTA TEMPRANA DE TSUNAMI
En la Figura 8 se observa los principales componentes de un sistema de alerta temprana de Tsunami.
Figura 8. Sistema de alerta temprana de Tsunami Fuente: (Press & Media, 2019)
2.3.1.1 REQUISITOS La mejora eficaz de GTEWS (Global navigation satellite system enhancement for Tsunami Early Warning Systems) de la alerta temprana de tsunami requiere acceso en tiempo real a una red óptimamente distribuida de receptores GNSS, comunicaciones confiables de banda ancha, centros de análisis capaces y
32
productos que pueden asimilarse rápidamente en los sistemas de alerta temprana de tsunami existentes (LaBrecque et al., 2017). La mejora de GTEWS se basará en los sistemas de alerta de tsunami que actualmente utilizan datos sísmicos para la ubicación del terremoto, el tiempo de ocurrencia y un sistema efectivo para informar al público sobre el peligro de tsunami (LaBrecque et al., 2017).
2.3.1.2 DESPLAZAMIENTO DEL SUELO El análisis en tiempo real GNSS se ha convertido en una herramienta muy poderosa con el desarrollo de múltiples enfoques para la medición del desplazamiento en tiempo real utilizando una variedad de técnicas tanto en el receptor como dentro de las instalaciones de procesamiento central. Estas mediciones proporcionan tanto la magnitud como la dirección del movimiento del suelo, que es información crítica para estimar el desplazamiento del fondo marino y su potencial tsunamigénico (LaBrecque et al., 2017). La resolución de posicionamiento para estos sistemas está en el nivel del centímetro con tasas de muestreo de una muestra por segundo o mejor. Las técnicas de uso común son Cinemática en tiempo real (RTK) y Posicionamiento preciso de puntos (PPP) (LaBrecque et al., 2017).
2.3.1.3 INTERCAMBIO DE DATOS El desarrollo de un GTEWS del Indo-Pacífico requerirá el intercambio de datos y software y la cooperación entre las agencias e instituciones de investigación. Desafortunadamente, el intercambio de datos GNSS en tiempo real y su análisis dentro y entre las economías de Asia y el Pacífico se ve obstaculizado por las políticas nacionales, las regulaciones de las agencias, los sistemas de datos administrados comerciales, las comunicaciones deficientes y la infraestructura GNSS poco desarrollada (LaBrecque et al., 2017).
33
2.3.1.4 TRANSMISIÓN DE DATOS EN TIEMPO REAL El principal beneficio científico de RTGPS (Real Time GPS) es que los datos están disponibles en tiempo real, ya que la información de alta velocidad mejora la resolución temporal en observaciones de procesos naturales. El uso de datos de baja latencia asegura que los datos de alta velocidad sean transmitidos de manera confiable hasta el momento en que suceden eventos catastróficos e incluso destruyen los instrumentos o deshabilitan las líneas de transmisión (Hammond et al., 2011). La tecnología e infraestructura de comunicaciones de banda ancha generalmente es suficiente para el intercambio de datos en tiempo real entre los centros de análisis GNSS. El desafío principal es proporcionar una ruta confiable entre receptores GNSS individuales en ubicaciones remotas y los centros de análisis GTEWS. Las redes de teléfonos celulares de cuarta generación actualmente disponibles son suficientes para la transferencia de datos en tiempo real de GTEWS (LaBrecque et al., 2017). En la Figura 9 se muestra imágenes de la Red GDGPS (The Global Differential GPS) del Laboratorio de la NASA operando en tiempo real.
Figura 9. Red GNSS / GPS en tiempo real Fuente: (Hammond et al., 2011)
Actualmente, alrededor de 240 estaciones de GPS del Observatorio de límites de placas EarthScope en las proximidades de la subducción de Cascadia, zona 34
donde se proporcionarán observaciones GPS a 1 hertz y latencia de 0.3 segundos. El Laboratorio de Propulsión a chorro de la NASA proporciona flujos de observaciones a 1 hertz para más de 120 estaciones distribuidas a nivel mundial con 5 segundos de latencia a través de su sistema de GPS diferencial global. La red en tiempo real de California (CRTN) en la Institución de Oceanografía distribuye datos y posiciones de más de 150 estaciones en California (Hammond et al., 2011).
2.3.2
APLICACIÓN DE GTEWS
El sistema de advertencia GPS estuvo activo durante el terremoto de Sumatra de 2004, un dato más preciso de magnitud podría haberse estimado dentro de los 15 primeros minutos (Hoechner et al., 2008; Song, 2007). Fue el GEONET japonés, la red terrestre GNSS más avanzada del mundo de 1300 receptores GPS, lo que proporcionó una demostración convincente del valor GTEWS para una mejor alerta de desastre de tsunami. Las mediciones de GEONET del desplazamiento del suelo y las imágenes ionosféricas durante el terremoto Tokoku-oki Mw 9.0 del 11 de marzo de 2011, proporcionan un claro ejemplo del papel que pueden desempeñar las mediciones de GNSS para proporcionar una alerta temprana de tsunami rápida, precisa y rentable (LaBrecque et al., 2017).
2.3.3
REDES PROTOTIPO EXISTENTES
Según LaBrecque et al. (2017), actualmente se encuentran en funcionamiento las siguientes redes para alerta temprana de Tsunami alrededor del mundo: • Sistema de alerta temprana de tsunami alemán-indonesio (GITEWS). • Análisis GEONET en tiempo real para el monitoreo rápido de la deformación (REGARD). • Análisis de terremotos en tiempo real para mitigación de desastres (READI). • Red Sísmica Nacional de Chile. • Diferencial global GPS / VARION (GDGPS / VARION).
35
• El sistema NASA / JPL GDGPS procesa datos en tiempo real de más de 200 sitios de rastreo distribuidos globalmente. • Las redes del marco de referencia de Asia y el Pacífico. • Contribución de COCONet a los GTEWS del Caribe.
2.3.4
MÉTODO DE SONG PARA LA DETERMINACIÓN DE ESCALAS Y ORIGEN DE TSUNAMI BASADO EN DATOS GPS
El método basado en la magnitud del terremoto a partir de la información sísmica que se había usado habitualmente para las alertas tempranas no es ideal para predecir potenciales eventos de tsunami debido a que suelen tardar demasiado tiempo y a su alta tasa de falsas alarmas. La clave para una predicción exitosa del tsunami es la detección temprana de las escalas de tsunami (Song, 2007). Según Song (2007), este método se basa en un enfoque innovador que determina las escalas de tsunami directamente a partir de las mediciones de desplazamiento GPS. Para lo cual se calcula la energía de la fuente del tsunami directamente a partir de los movimientos del fondo marino, ya que el potencial o la escala del tsunami, tiene que ser proporcional a la energía de origen. Por lo tanto, esta es una forma adecuada de identificar los terremotos que son capaces de desencadenar tsunamis y los que solo generan falsas alarmas (Song, 2007). Según Song (2007), el método basado en GPS se puede resumir en los siguientes pasos: 1. Localizar un epicentro sísmico a partir de sismómetros (disponible en línea unos minutos después de un terremoto inicial). 2. Recoger desplazamientos GPS cerca del campo y derivar los movimientos del fondo marino (unos minutos más de tiempo pueden ser necesarios). 3. Calcular la energía de la fuente y escala de tsunami basadas en los movimientos del fondo marino derivados del GPS y la topografía local instantáneamente.
36
4. Si la energía oceánica es mayor que un umbral, se puede emitir una advertencia inicial. Estos pasos son alcanzables pocos minutos después de un terremoto. Un período tan corto es crítico para alertar regiones costeras cercanas porque los picos del tsunami pueden cruzar un margen oceánico típico de unos 100 km en 30 minutos (Song, 2007). DATOS GPS Los receptores GPS y otros instrumentos similares pueden medir en tiempo real los movimientos del suelo una vez cada pocos segundos (Song, 2007). Los terremotos terrestres gigantes a menudo ocurren cuando grandes placas oceánicas debajo de los márgenes continentales producen un desplazamiento lateral significativo de las laderas, que son detectables en las zonas costeras cercanas al campo por estas estaciones GPS continuas (Song, 2007). Para demostrar esta metodología sobre los tsunamis sísmicos reales, se examinaron
tres tsunamis históricos
que
tienen mediciones
GPS
bien
documentadas y observaciones de tsunamis. El primer caso de prueba es el evento Sumatra de 2004. El segundo caso es el terremoto de Alaska de 1964 y el tercer caso es el terremoto de Nias de 2005 (Song, 2007). CÁLCULO DE DESPLAZAMIENTOS DERIVADOS DEL FONDO MARINO Es importante mencionar que las estaciones GPS sólo miden los movimientos terrestres cercanos al campo de fallas, no los movimientos submarinos que generan tsunamis. Para la predicción del tsunami, sólo se necesitan los desplazamientos del fondo marino, los cuales se pueden proyectar o extrapolar desde las mediciones GPS de campo más cercano a la falla (Song, 2007). Según Song (2007), basándose en los datos GPS (componente: norte, este y posición vertical) y los datos invertidos sísmicamente, se desarrolló un modelo empírico de extrapolación para proyectar los desplazamientos del fondo marino y se describe a continuación:
37
Sean (ΔEj, ΔNj) los desplazamientos GPS de campo cercano (desplazamientos horizontales) en la dirección este y hacia el norte, respectivamente, donde Δ representa un pequeño incremento. El subíndice j representa sólo a las estaciones GPS más cercanas a lo largo de la costa (paralela a la línea de falla). Para cada estación j, se identifica una sección transversal a través de la estación, generalmente perpendicular a la falla. Los desplazamientos del fondo marino a lo largo de la sección transversal se modelan para seguir un perfil empírico hasta la falla:
(1) (2) (3) Donde: ; r es la distancia normalizada de tal manera que r = 0 en la línea de falla y r = rj en la estación GPS jth, d es la distancia física perpendicular desde la línea de falla, y W es la distancia media de las estaciones GPS desde la falla en Kilómetros. Si hay más estaciones GPS disponibles (además de las estaciones con etiqueta j), se utiliza un ajuste de mínimos cuadrados entre los resultados del modelo y los datos para (Δej2, Δnj2) para corregir el modelo. La elevación o el hundimiento vertical se determina a partir de los desplazamientos horizontales conservando la masa de tal manera que el volumen de elevación sea igual al volumen de hundimiento, en el que se utiliza la constante adimensional a = 1,5. Observe que r representa una dimensión en la dirección de la sección transversal, mientras que j da la otra dimensión en la dirección a lo largo de la orilla. Una vez que los desplazamientos del fondo marino son derivados de las mediciones GPS, estos se interpolan en una cuadrícula de cuarto de grado sobre el área de falla. CÁLCULO DE LA ENERGÍA TOTAL DEL TSUNAMI
38
Según Song (2007), se usan los movimientos del fondo marino derivados del GPS para calcular la energía de la fuente del tsunami, que incluye tanto la energía potencial debido a la elevación del fondo marino como la energía cinética debido a los desplazamientos horizontales de la pendiente continental (Titov et al., 2016). Según Titov et al. (2016), la perturbación total de la superficie del mar debido al movimiento vertical en cada incremento es: (4) Donde,
es la elevación de la superficie del mar desde el nivel medio del mar,
es la profundidad del agua,
es un pequeño incremento,
y
son las
pendientes hacia el este y hacia el norte de la superficie por defecto, respectivamente.
son los desplazamientos del fondo marino se
obtienen de las ecuaciones (1), (2) y (3). La energía potencial del tsunami obtenida del océano en cada incremento es: (5)
Donde,
es la aceleración de la gravedad y
es la densidad del agua. La energía
potencial total acumulada es la integración de la ecuación (5) en toda el área de falla y dentro del período de tiempo de ruptura. Para determinar la energía cinética transferida desde una pendiente en movimiento, se necesita la velocidad de desplazamiento del fondo marino. Dado que cada incremento de los desplazamientos tiene logrado en un intervalo de tiempo de Δt en segundos, el movimiento tridimensional (velocidad) de una subfalla se puede obtener por
(Titov et al., 2016).
Las velocidades horizontales aceleradas de las partículas de agua en las proximidades de las pendientes móviles se pueden escribir como:
39
(6)
(7)
Aquí t es el tiempo de subida de la subfalla, z es la coordenada vertical y LH es el rango efectivo del movimiento horizontal. La energía cinética del tsunami ganada por océano en cada segundo debido al movimiento horizontal es: (8)
Donde
es el tamaño de la cuadrícula vertical en la capa inferior. La energía
cinética total acumulada es la integración de la ecuación (8) en toda el área de falla y dentro del período de tiempo de ruptura. Según Titov et al. (2016), la energía total de la fuente de tsunami
sería la suma
de las ecuaciones integradoras (5) y (8), es decir: (9) DETERMINACIÓN DE LA ESCALA DE TSUNAMI Una vez que se obtiene la energía total del tsunami, se puede determinar las escalas potenciales de tsunami. Basándose en la teoría de las ondas lineales en los océanos profundos (la raíz cuadrada de la energía de las olas es proporcional a la amplitud de onda), introducimos la siguiente fórmula para cuantificar las escalas de tsunami: (10) Donde, ST es la Escala de Tsunami.
40
La escala de Tsunami puede tomar valores de 1 a 10 y cualquier valor mayor a 10 se establece en 10. El umbral para la Escala de Tsunami, determinado mediante simulaciones del Modelo de Circulación General Oceánico (OGCM), se establece en un valor de 5 y se muestra a continuación en la Tabla 1. Esto significa que si el valor de la Escala de Tsunami es mayor a 5 se debe activar la alerta temprana de Tsunami en la zona costera afectada; y si la Escala de Tsunami es menor a 5 la alerta temprana no se debe activar.
Escala de Tsunami ( ST )
Existe alerta temprana de Tsunami?
>> 5
SI
<< 5
NO
Tabla 1: Escala de Tsunami para generar alerta temprana Fuente: (Song, 2007)
La escala del tsunami es una representación cuantitativa de la altura del tsunami en los océanos profundos o su fuerza destructiva potencial antes de llegar a las regiones costeras (Song, 2007). El enfoque energético de las escalas de tsunami también puede ser aplicable a otros tipos de tsunamis causados por deslizamientos de tierra, volcanes y ataques de meteoritos, porque la energía es la cantidad universal. No importa cuál sea la causa, el océano tiene que recibir suficiente energía para generar tsunamis, de modo que la detección de la energía transferida al océano es la clave de la determinación de las escalas de tsunami (Song, 2007). La determinación temprana de la magnitud de un tsunami que está próximo es fundamental para que las agencias gubernamentales tomen las medidas adecuadas para minimizar los daños causados por los tsunamis y de esta manera reducir las falsas alarmas (Song, 2007).
41
2.3.5
SOFTWARE
LIBRE
PARA
DESARROLLO
DE
APLICACIONES INTRODUCCIÓN Existen diferentes tipos de licencias libres conocida como Licencia Publica General (GPL) creada por Richard Stallman por medio de la Fundación de Software libre la cual está dirigida a libre distribución, modificación y uso de software. La cual da la libertad a los usuarios para ejecutar, copiar, distribuir, estudiar, cambiar y mejorar el software (Bustos, 2012).
2.3.5.1 OGC: CONSORCIO GEOESPACIAL ABIERTO Este consorcio internacional está conformado por más de 530 compañías, agencias gubernamentales, organizaciones de investigación y universidades el cual fue creado en 1994. Se creó con la finalidad de definir estándares abiertos e interoperables dentro de los Sistemas de Información Geográfica y de la World Wide Web, facilitando el intercambio de la información geográfica y la interoperabilidad de los sistemas de geoprocesamiento (Bustos, 2012; OGC, 2020).
2.3.5.2 ADMINISTRADOR DE BASE DE DATOS POSTGRE SQL Es un sistema gestor de base de datos objeto-relacional que fue desarrollado en California por el departamento de ciencias de la computación en la Universidad de Berkeley y posee licencia de libre distribución. La migración de base de datos almacenadas en productos comerciales hacia PostgreSQL se facilita debido a que soporta el estándar SQL, cuenta con una variedad de características (herencia de tablas, amplio conjunto de tipos de datos, bloque binario de objetos grandes, tipos geométricos y direcciones de red) e incluye el procesamiento de transacciones, integridad referencial y procedimientos almacenados (Acero, 2013; Bustos, 2012).
2.3.5.3 POSTGIS COMPLEMENTO ESPACIAL DE POSTGRESQL PostGIS fue desarrollado por la empresa canadiense Refraction Research Inc., especializada en productos de libre distribución. En el año 2006 fue certificado por
42
el Open Geospatial Consortium (OGC), garantizando la interoperabilidad con otros sistemas (QGIS, gvSIG, Grass). PostGIS es una extensión del sistema de base de datos PostgreSQL que permite el almacenamiento y operación de objetos geométricos vectoriales convirtiéndolo en una base de datos espacial para uso en Sistemas de Información Geográfica. Además, dispone de herramientas de topología: trasformación de coordenadas, validación de datos, programación de API (Avila, 2014; Bustos, 2012; PostGIS, 2019).
2.3.5.4 MAPSERVER Es una plataforma de desarrollo de código abierto que utiliza lenguaje C, fue creado en la Universidad de Minnesota en Estados Unidos a mediados de los años 90 en cooperación con la NASA y el Departamento de Recursos Naturales de Minnesota con el fin de publicar datos espaciales y aplicaciones de mapas interactivos usando la tecnología Internet Map Server que sirve como motor de mapas (Bustos, 2012; Map Server, 2019). Los motivos principales para utilizar este programa son que esta plataforma en conjunto con el Geoserver son las más utilizadas para publicar, visualizar, consultar mapas digitales utilizando un navegador Web, interpreta archivos Mapfile, permite conexión con base de datos espaciales gestionados desde el binomio de programas PostGis - PosrgreSQL (Bustos, 2012; Guillén, 2014).
2.3.5.5 GEOSERVER Es un programa que proporciona salidas geográficas avanzadas con etiquetados, visualización a escala, escala gráfica, mapas de referencia, mapas temáticos y leyenda. Adicional posee varias herramientas para gestión de imágenes y soporta gran número de formatos raster y vectorial (Avila, 2014).
2.3.5.6 LENGUAJE DE PROGRAMACIÓN PHYTON Este lenguaje fue creado por el europeo Guido Van Rossum, es un lenguaje de alto nivel y de fácil aprendizaje. Phyton permite crear todo tipo de programas, es fácilmente interpretado (no se debe compilar el código antes de su ejecución), es interactivo (dispone de un intérprete por línea de comandos en el que se pueden 43
introducir sentencias y cada una arroja un resultado visible), es orientado a objetos (se pueden crear programas con componentes reutilizables), dispone de funciones incorporadas para el tratamiento de números, archivos, posee librería en el que se puede importar en los programas para temas puntuales, dispone de una sintaxis muy visual (Alvarez, 2003; Pilgrim, 2009; Van Rossum, 2020).
3. METODOLOGÍA 3.1
AREA DE ESTUDIO
El Instituto Geofísico de la Escuela Politécnica Nacional (IGEPN) del Ecuador actualmente tiene instalado un GPS de alta precisión que transmite información en tiempo real desde el norte de la provincia de Esmeraldas. La Estación GPS San Lorenzo (Coordenadas UTM-WGS84: 17N 733611 / 0143813) está ubicada en la provincia de Esmeraldas, Cantón San Lorenzo, Isla Santa Rosa, en el centro-norte del Ecuador y cercana al límite con Colombia, a 170 km al noroeste de la ciudad de Quito. Los datos generados por la Estación GPS San Lorenzo son enviados hasta el servidor central instalado en el IGEPN (Coordenadas UTMWGS84: 17M 779377 / 9976504) en la ciudad de Quito, capital del Ecuador.
44
Figura 10. Ubicación geográfica del área de estudio Fuente: Elaboración propia con datos tomados de (IGEPN, 2019)
La ubicación geográfica de la Estación GPS San Lorenzo es ideal para el desarrollo del presente estudio, ya que se encuentra ubicada en la zona costera y permitirá detectar cambios importantes de posición provenientes de Ecuador o Colombia para emitir una alerta temprana en caso de Tsunami.
3.2
FLUJOGRAMA
El diagrama de flujo con la descripción detallada de los procesos a realizar para el desarrollo del SIG – Piloto para alerta temprana de Tsunami se muestra en la Figura 11.
45
La Etapa implementada por el IGEPN ya se encuentra completada y en funcionamiento actualmente y servirá como fuente de información para el presente proyecto. El desarrollo del SIG – Piloto para alerta de Tsunami como tal consta de tres etapas, las cuales se describen a continuación: 1. Diseño y actualización de la nueva base de datos. 2. Cálculos y análisis de datos. 3. Visualización y alerta de Tsunami.
46
Figura 11. Flujograma SIG – Piloto alerta de Tsunami
47
3.3
DESCRIPCIÓN DE LA METODOLOGÍA
3.3.1
GENERALIDADES
ETAPA IMPLEMENTADA POR EL IGEPN Actualmente el IGEPN posee la Estación GPS San Lorenzo en funcionamiento, los datos crudos se almacenan en tiempo real en un servidor ubicado en las instalaciones de la Escuela Politécnica Nacional en la ciudad de Quito. De la misma manera se almacenan archivos en formato RINEX generados con el Software BKG, el cual realiza verificaciones y correcciones en los datos crudos provenientes del GPS (BKG GNSS Data Center, 2019). Según el IGEPN (2020), los archivos RINEX de observación y RINEX de navegación se utilizan como elementos de entrada en el software RTKLIB, el cual procesa los datos provenientes del GPS de alta precisión usando la aplicación RTKPOST ver 2.4.2, el cual genera un archivo de salida *.pos. Este archivo de salida contiene la siguiente información: fecha, hora, ubicación expresada en el sistema de coordenadas ENU (East, North, Up), que corresponden a las componentes en las direcciones: este, norte y altura. Estos archivos *.pos se almacenan continuamente en el servidor principal del IGEPN. Además, se dispone de un registro constante con información detallada y en tiempo real de los epicentros de sismos tectónicos y volcánicos a nivel nacional, los cuales se almacenan en el servidor principal del IGEPN. RECEPTOR GPS La Estación GPS San Lorenzo utiliza un receptor de la serie TRIMBLE NetR9 GNSS, el cual ofrece un excelente rendimiento de rastreo de señales de constelaciones GNSS múltiple (GPS, GLONASS, Galileo, Compass y QZSS) y es el encargado de enviar los datos en tiempo real para su posterior análisis (Trimble Navigation Limited, 2011).
SOFTWARE BKG NTRIP CLIENT (BNC) 48
BKG es un software creado por UNAVCO, que es un consorcio sin ánimo de lucro establecido en Colorado, Estados Unidos, y que opera redes GPS a nivel mundial (UNAVCO, 2019c; Cardona et al., 2015). BKG se utiliza para recuperar, decodificar, convertir y procesar o analizar simultáneamente flujos de datos GNSS en tiempo real (OGC, 2019). Los motivos para utilizar este programa son: recupera flujos de datos GNSS en tiempo real, genera archivos RINEX de observación y navegación de alta velocidad generando publicaciones GNSS casi en tiempo real, genera correcciones de órbita y reloj a Broadcast Ephemeris en tiempo real para un posicionamiento preciso de puntos GNSS (Mervart, 2013; UNAVCO, 2019a). SOFTWARE RTKLIB – RTKPOST RTKLIB es un paquete de programas de código abierto para el posicionamiento estándar y preciso con GNSS (sistema global de navegación por satélite). RTKLIB consta de una biblioteca de programas portátil y varios AP (programas de aplicación), entre los que tenemos: RTKLAUNCH, RTKNAVI (posicionamiento en tiempo real), RTKPOST (análisis de procesamiento), RTKCONV (convertidor RINEX), RTKPLOT (gráficos de datos), entre otros (Takasu, 2013).
3.3.2
ETAPAS PARA DESARROLLO DEL SIG – PILOTO PARA ALERTA DE TSUNAMI
El presente proyecto de tesis se desarrollará con software libre y que permita cumplir con los objetivos del proyecto. ETAPA 1: DISEÑO Y ACTUALIZACIÓN DE BASE DE DATOS Es importante mencionar que los datos provenientes de los archivos en formato *.pos son los que se usarán para extraer la información de posición: este-oeste, norte-sur y vertical de la Estación GPS San Lorenzo. Mientras que el dato de distancia del epicentro del evento sísmico se obtendrá a partir de un archivo de resumen en formato excel que se almacena en el servidor del IGEPN.
49
En esta etapa se diseñará la base de datos de tal manera que la información requerida para los cálculos que se realizarán más adelante se almacenen automáticamente. Para esto se usará el sistema de gestión de bases de datos relacional PostgreSQL (Acero, 2013; Bustos, 2012; Cardona et al., 2015). El almacenamiento y tratamiento de datos se lo realizará mediante scripts usando Python. ETAPA 2: CÁLCULOS Y ANÁLISIS DE DATOS En esta etapa se aplicará el modelo matemático de Song para efectuar los cálculos de la energía de origen del tsunami y a partir de los cuales se obtendrá el valor de la Escala del Tsunami, con la ayuda de programación en Python. Finalmente de acuerdo al valor de la Escala del Tsunami se analizará si existe o no la posibilidad de un evento de Tsunami (NASA, 2010; Song, 2007). En caso de que las condiciones para alerta de tsunami sean favorables, entonces se emitirá una alerta de posible Tsunami visual y auditiva usando el entorno gráfico de Visual Studio Code donde se correrán los scripts de Python. ETAPA 3: VISUALIZACIÓN Y ALERTA DE TSUNAMI En esta etapa se mostrarán los resultados de los indicadores de la alerta de tsunami usando el entorno gráfico de Visual Studio Code. Se mostrarán los gráficos de series de tiempo de los datos del GPS de la estación San Lorenzo con sus componentes en sentido este-oeste, norte-sur y su componente vertical, la Energía Total y Escala de Tsunami calculadas, así como también una tabla de resumen de los indicadores mencionados. Además, se mostrará la alerta de Tsunami a través de una alerta visible y auditiva cuando las condiciones lo ameriten. ETAPA 4: PRUEBA DE FUNCIONAMIENTO Se realizará una prueba de funcionamiento del SIG – piloto que permita verificar su funcionamiento de manera general y que este sea capaz de generar la alarma visual y auditiva de Tsunami (Falck et al., 2010; Kamigaichi, 2015).
50
Con el fin de verificar el funcionamiento del SIG – piloto se descargarán datos GPS de dos eventos reales, el uno corresponde al terremoto y tsunami de Japón Tohoku-Oki (Mw 9.0) generado el 11 de marzo de 2011 y el otro al terremoto y tsunami de Chile generado el 27 de febrero de 2010 (Mw 8.8) (Song, 2012). Para lo cual se descargarán datos RINEX de observación y navegación de la Estación SMST - Simosato de Japón y Estación SANT – Santiago de Chile de las fechas mencionadas anteriormente. Estos datos serán procesados usando el Software RTKLIB mediante su aplicación RTKPOST, obteniendo un archivo *.pos con los datos de fecha, hora y ubicación expresada en el sistema de coordenadas ENU (East, North, Up), que corresponden a las componentes en las direcciones: este, norte y vertical del evento. Luego se cargarán los datos *.pos de cada evento por separado en el software Visual Studio Code, para correr los scripts de programación Python y se obtendrán los gráficos de las series de tiempo de los indicadores de tsunami y los resultados de los cálculos de Energía Total y Escala de Tsunami usando el SIG – piloto. En el entorno gráfico del Visual Studio Code se emitirá la alerta visual y auditiva de tsunami en caso de que las condiciones sean favorables. Estos datos servirán para verificar el funcionamiento del SIG – piloto y poder compararlos con los resultados obtenidos por Tony Song en el año 2012 (Song, 2012).
3.4
JUSTIFICACIÓN DE LA METODOLOGÍA
El desarrollo del sistema de información geográfica a escala piloto se decidió realizar usando el lenguaje de programación Python ya que está desarrollado bajo una licencia de código abierto; es uno de los lenguajes más versátiles que permite programar desde videojuegos hasta aplicaciones móviles; es fácil de aprender y comprender; cuenta con una amplia comunidad que colabora con información y códigos genéricos que se pueden aplicar en todo proyecto; aloja miles de módulos de terceros para Python así como módulos aportados por la comunidad con infinitos usos; permite desarrollos de manera fácil, ágil y rápida; puede ser
51
usado en distintos sistemas operativos (Alvarez, 2003; Downey, Meyer, & Elkner, 2012). Además, para escribir los scripts de Python se usó el software Visual Studio Code, usando el formato *.ipynb, que es un documento tipo cuaderno usado por la aplicación Jupyter Notebook, el cual tiene un entorno interactivo para el lenguaje de programación Python.
3.4.1
DISEÑO Y ACTUALIZACIÓN DE BASE DE DATOS
Para crear la base de datos se decidió usó PostgreSQL ya que es software libre; es multiplataforma, se puede instalar en diferentes sistemas operativos; permite configurarlo dependiendo del hardware disponible; es confiable y muy estable; posee una herramienta gráfica (pgAdmin) muy amigable; es compatible con el lenguaje SQL estándar para realizar consultas e incluir scripts; permite transacciones simultáneas que no interfieren entre sí; posee gran variedad de extensiones que permiten trabajar con varios lenguajes de programación incluido Python (Segovia, 2018). Se eligió el módulo Psycopg2 de Python ya que permite conectarse a la base de datos de PostgreSQL; es uno de los más usados para realizar consultas SQL y operaciones de actualización de base de datos, es decir insertar datos, recuperar datos, actualizar datos y eliminar datos por medio de scripts en Python (PYnative, 2020).
3.4.2
CÁLCULOS Y ANÁLISIS DE DATOS
El modelo de Song fue seleccionado para calcular la energía total del tsunami y la escala de tsunami ya que este modelo fue probado exitosamente por la NASA y se usó en tiempo real cuando sucedió el terremoto de Chile en el año 2010, afirmando que se generaría un tsunami moderado que no causaría gran destrucción en la costa del Océano Pacífico. Además, el modelo se ha puesto a prueba en varios eventos de terremotos a nivel mundial con excelentes resultados y en un tiempo mucho menor que los sistemas convencionales de predicción de tsunamis. La predicción de este modelo se basa en datos GPS de estaciones
52
costeras cercanas al epicentro, junto con datos del talud continental local, con los cuales se estima la energía del tsunami y su escala (Song, 2007; NASA, 2010; Song, 2012). La extracción de datos, cálculos, análisis y gráficos de datos se decidieron realizar con el lenguaje de programación Python y los módulos que se describen a continuación: Pandas Se eligió Pandas de Python, ya que es una herramienta de análisis de datos, series de tiempo y estadísticas, que permiten la manipulación de datos de código abierto potente y flexible. Permite trabajar con dos estructuras de datos: series (unidimensional) y DataFrame (bidimensional) que se manejan en el área de finanzas, estadística, ciencias sociales e ingeniería. También se integra a la ciencia de datos con el uso de bibliotecas de terceros (Python Software Foundation, 2021c). Numpy Se eligió Numpy de Python, ya que es el paquete principal para el procesamiento de matrices. Posee capacidades útiles de álgebra lineal y números aleatorios, poderoso objeto de matriz N-dimensional (Python Software Foundation, 2021b). Matplotlib Se eligió Matplotlib de Python, ya que es una biblioteca completa para crear visualizaciones estáticas, animadas e interactivas en Python (Python Software Foundation, 2021a). Math Se eligió Math de Python, ya que es una biblioteca de matemáticas con funciones intermedias (Sharma, 2021). xlrd Se eligió xlrd de Python, ya que es una biblioteca que se usa para extraer datos de archivos de Microsoft Excel (Python Software Foundation, 2021d).
53
3.4.3
VISUALIZACIÓN Y ALERTA DE TSUNAMI
Se eligió el software Visual Studio Code como entorno gráfico de desarrollo, ya que es un editor de código de programación que brinda soporte en operaciones de desarrollo como depuración, ejecución de tareas y control de versiones. Su objetivo es proporcionar solo las herramientas que un desarrollador necesita para un ciclo rápido de código, compilación y depuración (Microsoft, 2021). Se eligió usar la aplicación Jupyter Notebook para organizar de mejor manera los scripts de programación, ya que permite crear y compartir documentos que contienen código en vivo, ecuaciones, visualizaciones y texto narrativo. Los usos incluyen: limpieza y transformación de datos, simulación numérica, modelado estadístico, visualización de datos, aprendizaje automático, entre otros (Project Jupyter, 2021).
3.4.4
PRUEBA DE FUNCIONAMIENTO
Para realizar la prueba de funcionamiento se decidió elegir dos eventos relevantes a nivel internacional, el primero es el terremoto y tsunami de Japón Tohoku-Oki (Mw 9.0) generado el 11 de marzo de 2011 y el segundo es el terremoto y tsunami de Chile generado el 27 de febrero de 2010 (Mw 8.8). Estos dos eventos fueron modelados exitosamente por Tony Song en el Jet Propulsion Laboratory y se conocen los resultados de Energía del Tsunami y Escala del Tsunami calculados a partir de datos GPS y aplicando su modelo (Song, 2012). Esto permitirá verificar el funcionamiento global de la alerta de tsunami con datos reales.
54
4. RESULTADOS Y DISCUSIÓN 4.1
RESULTADOS
4.1.1
ETAPA 1: DISEÑO Y ACTUALIZACIÓN DE BASE DE DATOS
ORIGEN DE LOS DATOS: SISTEMA DE COORDENADAS ENU Los datos corregidos del GPS se guardan en intervalos de 30 segundos y se generan archivos RINEX de observación y RINEX de navegación. Estos datos se procesan en el servidor principal del IGEPN usando el software RTKLIB – RTKPOST y de este proceso se obtiene un archivo de texto en formato *.pos. Este archivo *.pos va guardando las coordenadas en el Sistema ENU (East, North, Up), es decir las componentes este, norte y elevación que provienen de la Estación GPS San Lorenzo. En la Figura 12 se muestra el archivo “snlr3290ne.pos” generado a partir de los datos de la Estación GPS San Lorenzo de la fecha 24-11-2020.
Figura 12. Muestra de un archivo procesado con RTKPOST ver 2.4.2. Fuente: Datos IGEPN
55
En las columnas (de izquierda a derecha) del archivo “snlr3290ne.pos” se puede apreciar la siguiente información: fecha, tiempo (intervalos cada 30 segundos), coordenada Este (e-baseline), coordenada Norte (n-baseline), coordenada de Elevación (u-baseline), que serán los datos de origen para desarrollar la alerta temprana de tsunami más adelante. Además, estos datos se guardarán en una base de datos. ORIGEN DE LOS DATOS: DISTANCIA DESDE EL EPICENTRO DEL EVENTO SÍSMICO En el servidor del IGEPN cuando se detecta un evento sísmico, el evento se almacena directamente en una base de datos y además se genera un resumen con los datos más importantes acerca del evento en formato excel *.xlsx. Los datos de Latitud y Longitud del evento son los que se usarán para el cálculo de la distancia desde el epicentro del evento sísmico hasta la ubicación de la Estación GPS San Lorenzo más adelante. En la Figura 13 se puede observar el archivo en formato excel generado para los eventos entre el 23 y 25 de noviembre de 2020.
Figura 13. Muestra del archivo Excel con información de los epicentros. Fuente: Datos IGEPN
DISEÑO DE LA BASE DE DATOS La base de datos denominada Tsunami se creó usando PostgreSQL 12 y su complemento pgAdmin 4. Se creó la tabla “mobile”, la cual posee 10 columnas para el almacenamiento de datos, tal como se muestra en la Tabla 2.
56
Campo
Tipo
Descripción
Id
Integer
Codifica cada ingreso de datos
fecha
Text
Año, mes, día
hora
Text
hora: minutos: segundos
E
Numeric
Coordenada este
N
Numeric
Coordenada norte
U
Numeric
Coordenada elevación
epi_latitud
Numeric
Coordenada latitud del epicentro
epi_longitud
Numeric
Coordenada longitud del epicentro
dis_epi_gps
Numeric
Distancia en Km, calculada desde el epicentro hasta la estación GPS
ET
Numeric
Energía total del tsunami (Joules)
ST
Numeric
Escala de Tsunami
Tabla 2: Estructura de la Tabla “mobile” en la base de datos “Tsunami” Fuente: Elaboración propia
En la Figura 14 se observa la base de datos y la tabla creada.
Figura 14. Base de datos “Tsunami” – Tabla “mobile” Fuente: Elaboración propia
57
ACTUALIZACIÓN DE LA BASE DE DATOS Para actualizar la base de datos, se tienen que leer los archivos de texto *.pos y archivos de Excel usando scripts con el lenguaje de programación Python. A continuación, se muestra el script en Python usado para actualizar la base de datos. En términos generales lo que hace es abrir la tabla “mobile” de la base de datos “Tsunami” y proceder a guardar los datos que se extraen línea por línea del archivo *.pos. Los datos se van leyendo y se van guardando en los campos: Id, fecha, hora, E, N, U en la base de datos. path = r"data\snlr3290ne.pos" import psycopg2 def updateTable(mobileId, fecha, hora, E, N, U): try: connection = psycopg2.connect(user="postgres", password="2020", host="127.0.0.1", port="5433", database="Tsunami") cursor = connection.cursor() sql_select_query = """select * from mobile where Id = %s""" cursor.execute(sql_select_query, (mobileId,)) record = cursor.fetchone() print(record) # Update single record now sql_update_query = """Update mobile set fecha=%s, hora=%s, E=%s, N=%s, U=%s where Id = %s""" cursor.execute(sql_update_query, (fecha, hora, E, N, U, mobileId)) connection.commit() count = cursor.rowcount print("Actualizado correctamente") sql_select_query = """select * from mobile where Id = %s""" cursor.execute(sql_select_query, (mobileId,)) record = cursor.fetchone() print(record) except (Exception, psycopg2.Error) as error: print("Error in update operation", error) finally: # closing database connection. if (connection): cursor.close() connection.close() print("PostgreSQL connection is closed") #contador sirve para luego saltar directamente a la línea
58
# que contiene datos del archivo *.pos. contar = 0 contar2 = 0 mylines = [] # Declare an empty list named mylines. with open(path, 'rt') as myfile: # Open txt file for reading text data. for myline in myfile: # For each line, stored as myline, contar += 1 # contador incrementa uno if contar >= 18: # Desde la linea 18 del archivo txt empiece a realizar tareas mylines.append(myline) # add its contents to mylines. a = myline.split() contar2 += 1 Id = contar2 fecha = (a[0:1]) hora = (a[1:2]) E = (a[2:3]) N = (a[3:4]) U = (a[4:5]) updateTable(Id, fecha, hora, E, N, U)
En el caso de los datos del epicentro del evento sísmico procedentes del archivo de Excel se van leyendo y se van guardando en los campos: epi_latitud, epi_longitud; tomando en cuenta la fecha y hora más cercana existente en la base de datos, ya que los intervalos de la base de datos son de 30 segundos. A continuación, se muestra el script usado para calcular el campo: dis_epi_gps, que es el cálculo de la distancia entre el punto de ubicación de la estación GPS y el del epicentro. from math import sin, cos, sqrt, atan2, radians #R es el radio aproximado de la tierra en km R = 6371.0 #latitud de la estación GPS lat1 = radians(1.29251403) #longitud de la estación GPS lon1 = radians(-78.84700629) lat2 = radians(epi_latitud) lon2 = radians(epi_longitud) dlon = lon2 - lon1 dlat = lat2 - lat1 a = sin(dlat / 2)**2 + cos(lat1) * cos(lat2) * sin(dlon / 2)**2 c = 2 * atan2(sqrt(a), sqrt(1 - a)) dis_epi_gps = R * c
59
4.1.2
ETAPA 2: CÁLCULOS Y ANÁLISIS DE DATOS PARA EMITIR ALERTA DE TSUNAMI
Para escribir los códigos de Python se usó el software Visual Studio Code, usando el formato *.ipynb, que es un documento tipo cuaderno usado por la aplicación Jupyter Notebook, el cual tiene un entorno interactivo para el lenguaje de programación Python. A continuación, se muestra el script que permite calcular los desplazamientos del fondo marino de acuerdo al modelo matemático de Song. #Para realizar los cálculos y gráficos de series de tiempo se importa los #módulos y librerías de Python import import import import
numpy as np pandas as pd math as mt matplotlib.pyplot as plt
#Se define la función datos_gps y se indica la ruta del archive *.pos de #donde se va a extraer la información usando pandas, además se extrae la #marca de tiempo def datos_gps(path = 'data/snlr3290ne.pos'): df = pd.read_table(path,sep='\s+',skiprows=16,parse_dates={'Timestamp': [0, 1]}) df = df.set_index('Timestamp') return df #Se definen las funciones para extraer y calcular los desplazamientos #marinos basados en el modelo de Song: Deltaj, #DeltaE, DeltaN, DeltaU def Deltaj(df,variable,name): df[name] = df[variable].diff(periods=1) df = df.iloc[1:] return df def DeltaE(filas,r,alpha=1,a=1.5): rj = filas['rj'] dEj = filas['dEj'] # e-baseline(m) dE = dEj*np.exp(np.square(rj) - np.square(r)) return dE def DeltaN(filas,r,alpha=1,a=1.5): rj = filas['rj']
60
dNj = filas['dNj'] # n-baseline(m) dN = dNj*np.exp(np.square(rj) - np.square(r)) return dN def DeltaU(filas,r,alpha=1,a=1.5): dE0 = filas['dEj'] # Corregir Deltas j dN0 = filas['dNj'] # Corregir Deltas j dU = alpha*np.sqrt(np.square(dE0) + np.square(dN0))*(np.exp(a*np.square(r)) - np.sqrt(mt.pi/(4*a))*np.exp(-r)) return dU
A continuación, se muestra el script que permite calcular la energía total del tsunami, escala de tsunami y prepara los datos de las tablas que serán mostrados junto con los gráficos de las series de tiempo. #Se define la función para el cálculo de la energía total del tsunami a partir #de los deplazamientos def energia(filas): # Valores de variables y desplazamientos de acuerdo al modelo de Song. deltaE = np.absolute(filas['dE']) deltaN = np.absolute(filas['dN']) deltaU = np.absolute(filas['dU']) hx = filas['hx'] hy = filas['hy'] dt = filas['dt'] delta_n = deltaU + (deltaE*hx) + (deltaN*hy) # Cálculo de la Energía potencial # aceleración de la gravedad = 9.8 m/s2 # densidad del agua de mar = 1025 Kg/m3 PE = 9.8*1025*(np.square(delta_n)/2)*deltaE*deltaN delta_ub = deltaE/dt delta_vb = deltaN/dt # Cálculo de la Energía cinética # densidad del agua de mar = 1025 Kg/m3 KE = 1025*0.5*(np.square(delta_ub)+np.square(delta_vb))*deltaE*deltaN* deltaU # Cálculo de la Energía Total del Tsunami E = PE + KE return E #Se define la función escala a partir del valor de la energía total (E) #de acuerdo al modelo de Song
61
def escala(E): S = np.log10(E)-10 # De acuerdo al modelo de Song la escala de tsunami calculada # tendrá valores entre 0 y 10, cualquier valor mayor a 10 será # igual a 10. if S>10: S = 10 if S<0: S = 0 # En esta parte se valida que si el valor de la escala se tsunami es # mayor o igual a 5 se debe activar la alerta de tsunami, mediante una # alerta auditiva que reproduce un sonido de sirena y visual usando un # cuadro de mensaje de texto. if S>=5: import tkinter as tk from tkinter import messagebox import pygame root = tk.Tk() root.withdraw() # La alerta se activa con la reproducción del sonido de sirena file = 'data/sirenasismica.wav' pygame.init() pygame.mixer.init() pygame.mixer.music.load(file) pygame.mixer.music.play(0) # La alerta se activa visualmente con un cuadro de texto messagebox.showwarning("Atención!", "Alerta de posible Tsunami ! Escala = " + str(round(S,1))) pygame.mixer.music.stop() time = df_gps.index.values[df_gps['energia'] == E] # Se imprimen datos de la alerta: Escala, Energía y hora del evento print("Alerta! ","Posible alerta de Tsunami, S=" + str(round(S,1)), "E=" +"{:.1e}".format(E), "hora =" + str(time)) return S # # # # # #
Se define la función indicador, la cual permitirá mostrar los valores en una tabla, y que serán necesarios para graficar las series de tiempo de las variaciones con respecto al este, norte, elevación, así como también las series de tiempo del valor de la energía total y escala de tsunami. Las pendientes del perfil marino se estiman en un 20%, por lo que hx = 0.20 y hy = 0.20.
def indicador(df_gps,dt=30,hx=0.2,hy=0.2): df_gps = df_gps[['dE','dN','dU']]
62
df_gps['dt'] = dt df_gps['hx'] = hx df_gps['hy'] = hy df_gps['energia'] = df_gps.apply(energia,axis = 1) df_gps['escala'] = df_gps['energia'].apply(escala) return df_gps
Las pendientes del perfil marino en la zona norte de Esmeraldas pueden variar entre el 15 % y 25 % tanto en la dirección este (hx) y norte (hy) (Collot, Sallares, & Pazmiño, 2009).
4.1.3
ETAPA
3:
GRÁFICOS
DE
SERIES
DE
TIEMPO
E
INDICADORES DE LA ALERTA DE TSUNAMI A continuación, se muestra el script para la definición de la función tsunamis, la cual se ejecutará más adelante en base al modelo de Song y que permitirá también graficar las series de tiempo. def tsunamis(path,r=1,rj=1.5,alpha=1,a=1.5,dt=30,hx=0.2,hy=0.2): #verificación del tipo de archivo de origen de los datos if path.endswith('.xlsx'): df_gps = datos_excel(path = path) elif path.endswith('.pos'): df_gps = datos_gps(path = path) else: raise Exception('Tipo de datos invalido, tipos admitidos: excel (.xl sx), RINEX procesado con RTKPOST (.pos)') # Añadir rj df_gps['rj'] = rj # Delta j if path.endswith('.pos'): df_gps = Deltaj(df = df_gps,variable='e-baseline(m)',name='dEj') df_gps = Deltaj(df = df_gps,variable='n-baseline(m)',name='dNj') df_gps = df_gps.replace({'dEj': 0, 'dNj': 0}, 0.001) # Desplazamientos df_gps['dE'] = df_gps.apply(DeltaE,args=(r,alpha,a),axis=1) df_gps['dN'] = df_gps.apply(DeltaN,args=(r,alpha,a),axis=1) df_gps['dU'] = df_gps.apply(DeltaU,args=(r,alpha,a),axis=1) # Escalas df_gps = indicador(df_gps=df_gps,dt=dt,hx=hx,hy=hy) #df = df_gps[['escala']]
63
# Gráficos de series de tiempo de la variación de la componente Este fig = plt.figure(figsize=(15,15)) #fig.suptitle('Indicadores de Alerta Temprana') plt.subplot(5,1,1) plt.plot(df_gps[['dE']]) plt.title('Indicador de Alerta temprana Tsunamis', fontsize=20) plt.ylabel(r'$\Delta E$', fontsize=16) plt.subplot(5,1,2) # Gráfico de la serie de tiempo de la variación de la componente Norte plt.plot(df_gps[['dN']]) plt.ylabel(r'$\Delta N$', fontsize=16) plt.subplot(5,1,3) # Gráfico de la serie de tiempo de la variación de la componente Norte plt.plot(df_gps[['dU']]) plt.ylabel(r'$\Delta U$', fontsize=16) plt.subplot(5,1,4) # Gráfico de la serie de tiempo de la Energía Total calculada plt.plot(df_gps[['energia']]) plt.ylabel('Energía Total', fontsize=12) plt.subplot(5,1,5) # Gráfico de la serie de tiempo de la Escala de tsunami calculada plt.plot(df_gps[['escala']]) plt.ylabel('Escala Tsunami', fontsize=12) plt.show() return df_gps
A continuación, se muestra el script para la ejecución de la función: tsunamis en base a parámetros iniciales y de referencia usando el modelo de Song. # Parámetros iniciales path = 'data/snlr3290ne.pos' r = 1 rj = 1.4 alpha = 1.5 a = 1 dt = 30 hx = 0.20 hy = 0.20 # Ejecución de la función: tsunamis y visualización df_gps = tsunamis(path = path,r=r,rj=rj,alpha=alpha,a=a,dt=dt,hx=hx,hy=hy) df_gps
64
En la Figura 15 se muestra el resultado de la ejecución de los scripts desarrollados con Python en el entorno gráfico de Visual Studio Code. Los indicadores de la alerta de tsunami se discutirán y se mostrarán a detalle en la Sección 4.2 Análisis de resultados. La Figura 15 muestra las series de tiempo de los indicadores: ΔE(m): variación componente Este-Oeste, ΔN(m): variación componente Norte-Sur, ΔU(m): variación componente vertical, Energía Total (J) y Escala de Tsunami calculadas.
Figura 15. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SNLR – San Lorenzo – 24/11/2020 Fuente: Elaboración propia con Visual Studio Code
65
En la Figura 16 se muestra la tabla de resumen de los datos de origen de las series de tiempo, la cual es la continuación de la Figura 15.
Figura 16. Tabla de datos de origen de las series de tiempo Fuente: Elaboración con datos reales de la Estación GPS San Lorenzo – IGEPN
Es importante mencionar que la alerta de Tsunami no se activó, ya que los valores de Escala de Tsunami fueron menores a 5.
4.1.4
PRUEBA DE FUNCIONAMIENTO SIG-PILOTO
Con el fin de verificar el funcionamiento del sistema de alerta temprana de tsunami del presente proyecto se ejecutará el SIG-piloto usando datos históricos del GPS de estaciones cercanas a dos eventos de terremotos que han sido modelados exitosamente con el sistema de predicción de alerta temprana de tsunami creado por Y. Tony Song. El uno corresponde al terremoto y tsunami de Japón Tohoku-Oki (Mw 9.0) generado el 11 de marzo de 2011 y el otro al terremoto y tsunami de Chile generado el 27 de febrero de 2010 (Mw 8.8) (IGEPN, 2012; Song, 2012).
4.1.4.1 ESTACIÓN SMST – SIMOSATO DE JAPÓN - 11/03/2011 Los datos RINEX de observación y navegación de la Estación SMST – Simosato de Japón se descargaron del archivo histórico del portal: NASA´s Archive of Space Geodesy Data (NASA, 2021). Ver Figura 17.
66
. Figura 17. Descarga de datos Rinex Estación SMST – Japón – 11/03/2011 Fuente: (NASA, 2021).
Los datos RINEX se procesaron con el Software RTKLIB mediante su aplicación RTKPOST, obteniendo el archivo “smst0700.pos” con los datos de fecha, hora y ubicación expresada en el sistema de coordenadas ENU (East, North, Up), que corresponden a las componentes en las direcciones: este, norte y vertical del evento en estudio. Ver Figura 18.
Figura 18. Procesamiento de datos Rinex Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando RTKLIB - RTKPOST
Se cargaron los datos de origen a partir del archivo “smst0700.pos” y se ejecutaron los scripts de Python con el software Visual Studio Code. Ver Figura 19.
67
Figura 19. Carga de datos procesados de la Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando Visual Studio Code
En la Figura 20 se muestran las series de tiempo de los indicadores de tsunami y los resultados de los cálculos de Energía Total y Escala de Tsunami al ejecutar el SIG – piloto usando el entorno gráfico de Visual Studio Code. Los indicadores de la alerta de tsunami se discutirán y se mostrarán a detalle en la Sección 4.2 Análisis de resultados.
68
Figura 20. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando Visual Studio Code
Además, en el entorno gráfico del Visual Studio Code se emitieron varias alertas visuales y auditivas de posible tsunami, ya que existen valores de Escala de Tsunami mayores al umbral de 5. En la Figura 21 se muestra la primera alerta visual y auditiva que se generó.
69
Figura 21. Activación de la posible alerta de tsunami en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando Visual Studio Code
4.1.4.2 ESTACIÓN SANT – SANTIAGO DE CHILE - 27/02/2010 Los datos RINEX de observación y navegación de la Estación SANT – Santiago de Chile se descargaron del archivo histórico del portal: NASA´s Archive of Space Geodesy Data (NASA, 2021). Ver Figura 22.
Figura 22. Descarga de datos Rinex Estación SANT – Chile – 27/02/2010 Fuente: (NASA, 2021).
70
Los datos RINEX se procesaron con el Software RTKLIB mediante su aplicación RTKPOST, obteniendo un archivo “sant0580.pos” con los datos de fecha, hora y ubicación expresada en el sistema de coordenadas ENU (East, North, Up), que corresponden a las componentes en las direcciones: este, norte y vertical del evento en estudio. Ver Figura 23.
Figura 23. Procesamiento de datos Rinex Estación SANT – Chile – 27/02/2010 Fuente: Elaboración propia usando RTKLIB – RTKPOST
Se cargaron los datos de origen a partir del archivo “sant0580.pos” y se ejecutaron los scripts de Python con el software Visual Studio Code. Ver Figura 24.
Figura 24. Carga de datos procesados de la Estación SANT – Chile – 27/02/2010 Fuente: Elaboración propia usando Visual Studio Code
71
En la Figura 25 se muestran las series de tiempo de los indicadores de tsunami y los resultados de los cálculos de Energía Total y Escala de Tsunami al ejecutar el SIG – piloto usando el entorno gráfico de Visual Studio Code. Los indicadores de la alerta de tsunami se discutirán y se mostrarán a detalle en la Sección 4.2 Análisis de resultados.
Figura 25. Resultado de la ejecución de los scripts en el entorno gráfico de Visual Studio Code de la Estación SANT – Chile – 27/02/2010 Fuente: Elaboración propia usando Visual Studio Code
Es importante mencionar que en el entorno gráfico del Visual Studio Code no se emitió ninguna alerta de posible tsunami, ya que los valores de Escala de Tsunami fueron menores al valor del umbral de 5.
72
4.2
ANÁLISIS DE RESULTADOS
4.2.1
DATOS DE LA ESTACIÓN SNLR - SAN LORENZO DE ECUADOR – 24/11/2020
En la Figura 26 se muestran las series de tiempo de los indicadores de Alerta temprana de Tsunami del día 24 de noviembre de 2020 de la Estación San Lorenzo: ΔE: variación de la componente Este-Oeste, ΔN: variación de la
ΔE (m)
componente Norte-Sur y ΔU: variación de la componente vertical.
ΔN (m)
Δt (h)
ΔU (m)
Δt (h)
Δt (h) Figura 26. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación SNLR Fuente: Elaboración propia con datos Estación San Lorenzo – IGEPN usando Visual Studio Code
73
En la Figura 26 se evidencia que existen desplazamientos significativos entre las 00:00:00 y 04:00:00 del 24 de noviembre de 2020. El desplazamiento ΔE en la componente este-oeste presenta una variación máxima de 12 cm en el inicio del periodo de tiempo mencionado y luego tiende a disminuir y se estabiliza fuera de este periodo de tiempo. El desplazamiento ΔN en la componente norte-sur presenta una variación máxima de 8 cm en el inicio del periodo de tiempo mencionado y luego tiende a disminuir y se estabiliza con el tiempo. El desplazamiento ΔU en la componente vertical presenta una variación máxima de 0.3 cm en el inicio del periodo de tiempo mencionado y de igual manera tiende a disminuir y se estabiliza en el tiempo. Este comportamiento de actividad sísmica se corrobora con dos reportes de sismos generados en la provincia de Esmeraldas el día 24 de noviembre de 2020 según reportes del IGEPN que se muestran en la Tabla 3. El primer evento se presentó a las 00:14:59 con una magnitud Mw = 2.6, profundidad de 10 km y ubicado a 163 km de distancia desde el epicentro hasta la Estación San Lorenzo; el segundo evento se presentó a las 03:47:26 con una magnitud Mw = 2.7, profundidad de 15 km y ubicado a 129 km de distancia desde el epicentro hasta la Estación San Lorenzo.
Tabla 3: Consulta de sismicidad del 22 al 26 de noviembre de 2020 Fuente: Datos proporcionados por el Instituto Geofísico de la Escuela Politécnica Nacional -IGEPN
En la Figura 27 se muestra la serie de tiempo de la Energía Total del Tsunami calculada usando el modelo de Song. El valor máximo calculado de Energía Total del Tsunami fue de 3.9e+11 Joules, la cual se registró a las 00:11:00 en el reloj interno de la Estación GPS – San Lorenzo, el cual se generó en las zonas de mayor variación de desplazamientos ΔE, ΔN, ΔU, causados por el primer evento
74
sísmico mencionado. Esto coincide con la descripción del modelo de Song, ya que el método se enfoca en estimar la Energía Total de la fuente del tsunami directamente de los desplazamientos del fondo marino (Song, 2007, 2012). Sin embargo, en la Figura 26 se evidencia que el segundo evento símico no produjo desplazamientos considerables, razón por la cual en la Figura 27 se evidencia que el valor de la Energía del Tsunami calculada disminuyó hasta llegar a un valor de cero y luego se mantuvo constante fuera del periodo entre las 00:00:00 y 04:00:00. Este fenómeno se explica debido a que ambos sismos presentan una magnitud similar, pero la profundidad del segundo sismo fue mayor. A medida que la profundidad del hipocentro (punto ubicado bajo la tierra donde se genera un sismo) de un sismo es mayor, los desplazamientos percibidos en la superficie terrestre disminuyen (Pizarro, Tornello, & Gallucci, 2017) y por ende la Energía
Energía Total (J)
Total del Tsunami disminuye notablemente.
Δt (h) Figura 27. Serie de tiempo: Energía Total del Tsunami calculada Fuente: Elaboración propia con datos Estación San Lorenzo – IGEPN usando Visual Studio Code
En la Figura 28 se muestra la serie de tiempo de la Escala del Tsunami calculada a partir de la Energía Total aplicando el modelo de Song. El valor máximo de la Escala de Tsunami calculado fue de 1.6 se registró a las 00:11:00, que corresponde al valor máximo de energía Energía Total de Tsunami de 3.9e+11 Joules, generado por el primer sismo de magnitud Mw = 2.6. Esta relación coincide con la descripción del modelo de Song, el cual indica que la Energía Total de la fuente del tsunami es directamente proporcional a la Escala
75
de un tsunami calculado a partir de los desplazamientos del fondo marino (Song,
Escala Tsunami
2007, 2012).
Δt (h) Figura 28. Serie de tiempo: Escala de Tsunami calculada Fuente: Elaboración propia con datos Estación San Lorenzo - IGEPN usando Visual Studio Code
Durante todo el día 24 de noviembre de 2020 los valores de la Escala de Tsunami fueron menores al umbral de 5, razón por la cual la alerta de Tsunami no se activó. Por lo tanto, el SIG - piloto desarrollado con software libre funciona adecuadamente.
4.2.2
DATOS DE LA ESTACIÓN SMST – SIMOSATO DE JAPÓN 11/03/2011
El gran terremoto de Japón ocurrió el viernes 11 de marzo de 2011 cerca de las 05:46:23 UTC en la región de Tohoku-Oki y generó un tsunami devastador con olas de más de 15 m de altura. El epicentro se ubicó en el Océano Pacífico, 38° norte, 142.9° este, con una magnitud Mw = 9.0 y a una profundidad de 24 km (IGEPN, 2012; Song, 2012). En la Figura 29 se muestran las series de tiempo de los indicadores de Alerta temprana de Tsunami del día 11 de marzo de 2011 de la Estación SMST – Simosato de Japón. Lo cual evidencia variaciones significativas tanto en la componente Este-Oeste (ΔE) como en la componente Norte-Sur (ΔN) que representan variaciones máximas de 1.00 m y 0.70 m respectivamente.
76
ΔE (m) ΔN (m)
Δt (h)
ΔU (m)
Δt (h)
Δt (h) Figura 29. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación SMST Fuente: Elaboración propia con datos Estación Simosato - Japón usando Visual Studio Code
Las variaciones de los desplazamientos en sentido este-oeste y norte-sur se asemejan a los que se muestran en el estudio de comparación de datos de movimiento del terremoto de Japón del 2011 proveniente de 12 estaciones GPS cercanas al evento, que se muestra en la Figura 30 (Wang et al., 2013). Además, la variación de la componente vertical (ΔU) presentó una variación máxima de 0.20 cm.
77
Figura 30. Desplazamientos del terremoto Tohoku de 2011 de estaciones GPS cercanas (línea azúl) comparadas con registros de movimiento fuerte de redes japonesas Kik-Net corregidas (línea roja). El tiempo de cada cuadro es de 250 s. Fuente: (Wang et al., 2013)
En la Figura 31 se muestra la serie de tiempo de la Energía Total del Tsunami calculada usando el modelo de Song. La Energía Total calculada tiene un valor máximo de 2.6e+15 Joules a las 05:54:30, que se puede evidenciar en el visor de
Energía Total (J)
Visual Studio Code en la Figura 32.
Δt (h) Figura 31. Serie de tiempo: Energía Total del Tsunami calculada Fuente: Elaboración propia con datos Estación Simosato - Japón usando Visual Studio Code
78
Figura 32. Impresión de la tabla que muestra valores mayores o iguales a 5 en la Escala de Tsunami en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando Visual Studio Code
En la Figura 33 se muestra la serie de tiempo de la Escala del Tsunami calculada a partir de la Energía Total usando el modelo de Song. La Escala de Tsunami calculada tiene un valor máximo de 5.4 a las 05:54:30 y que corresponde también al valor máximo de Energía Total, esto se puede evidenciar en la impresión del visor de Visual Studio Code en la Figura 32. Esta relación coincide con la descripción del modelo de Song, el cual indica que la Energía de la fuente del tsunami es directamente proporcional a la Escala del tsunami calculado a partir de los desplazamientos del fondo marino (Song, 2007,
Escala Tsunami
2012).
Δt (h) Figura 33. Serie de tiempo: Escala de Tsunami calculada Fuente: Elaboración propia con datos Estación Simosato - Japón usando Visual Studio Code
79
La Escala de Tsunami calculada muestra valores mayores a 5, razón por la cual se activaron varias alertas de Tsunami visuales y auditivas, como se muestra en la Figura 34. Por lo tanto, el SIG - piloto desarrollado con software libre funciona adecuadamente.
Figura 34. Activación de la alerta de tsunami: valor más alto de la escala en el entorno gráfico de Visual Studio Code de la Estación SMST – Japón – 11/03/2011 Fuente: Elaboración propia usando Visual Studio Code
4.2.3
DATOS DE LA ESTACIÓN SANT – SANTIAGO DE CHILE 27/02/2010
El terremoto de Chile ocurrió el 27 de febrero de 2010 a las 03:34:17 UTC, frente a la costa centro-sur de Chile. El epicentro se ubicó en el Océano Pacífico, 35.846 ° sur, 72.719° oeste, con una magnitud Mw = 8.8. y a una profundidad de 35 km. El terremoto generó un tsunami moderado con olas de hasta 3 m de altura en la costa de Chile (IGEPN, 2010; Song, 2012). En la Figura 34 se muestran las series de tiempo de los indicadores de Alerta temprana de Tsunami del día 27 de febrero de 2010 de la Estación SANT – Santiago de Chile. Lo cual evidencia variaciones significativas tanto en la componente Este-Oeste (ΔE) como en la componente Norte-Sur (ΔN) que representan variaciones máximas de 15 cm y 12 cm respectivamente.
80
ΔE (m) ΔN (m)
Δt (h)
ΔU (m)
Δt (h)
Δt (h) Figura 35. Series de tiempo de las componentes ΔE, ΔN, ΔU de la Estación SANT Fuente: Elaboración propia con datos Estación Santiago de Chile usando Visual Studio Code
Este comportamiento se asemeja al mostrado en la estación ROBL mostrado en el estudio de 8 estaciones de monitoreo GPS cercanas al evento, que se muestra en la Figura 36 (Vigny et al., 2011). Sin embargo, los valores de variación difieren siempre entre cada estación debido a la ubicación de las mismas. En tanto que el desplazamiento en sentido vertical (ΔU) presentó un valor máximo de 0.04 cm.
81
Figura 36. Desplazamientos de 8 estaciones GPS en la parte central de Chile y oeste de Argentina. Fuente: (Vigny et al., 2011)
En la Figura 37 se muestra la serie de tiempo de la Energía Total del Tsunami calculada usando el modelo de Song. La Energía Total calculada tiene un valor máximo de 6.2e+14 Joules a las 03:34:00, que se puede evidenciar en el visor de Visual Studio Code en la Figura 38.
82
Energía Total (J)
Δt (h) Figura 37. Serie de tiempo: Energía Total del Tsunami calculada Fuente: Elaboración propia con datos Estación Santiago de Chile usando Visual Studio Code
Figura 38. Impresión de la tabla que muestra valores mayores o iguales a 4.5 en la Escala de Tsunami en el entorno gráfico de Visual Studio Code de la Estación SANT – Chile – 27/02/2010 Fuente: Elaboración propia usando Visual Studio Code
En la Figura 39 se muestra la serie de tiempo de la Escala del Tsunami calculada a partir de la Energía Total usando el modelo de Song. La Escala de Tsunami calculada tiene un valor máximo de 4.8 a las 03:34:00 y que corresponde también al valor máximo de Energía Total, esto se puede evidenciar en la impresión del visor de Visual Studio Code en la Figura 38. Esta relación coincide con la descripción del modelo de Song, el cual indica que la Energía de la fuente del tsunami es directamente proporcional a la Escala del
83
tsunami calculado a partir de los desplazamientos del fondo marino (Song, 2007,
Escala Tsunami
2012).
Δt (h) Figura 39. Serie de tiempo: Escala de Tsunami calculada Fuente: Elaboración propia con datos Estación Santiago de Chile usando Visual Studio Code
La Escala de Tsunami calculada muestra valores menores a 5, razón por la cual no se activó la alerta de Tsunami. Por lo tanto, el SIG - piloto desarrollado con software libre funciona adecuadamente.
4.2.4
ANÁLISIS DEL FUNCIONAMIENTO DEL SIG-PILOTO
En el Instituto de Tecnología de California, Jet Propulsion Laboratory de la NASA, el científico Y. Tony Song junto a su equipo de investigación, orientado al estudio de sistemas de predicción de tsunamis basado en datos GPS, aplicaron el modelo de Song en varios eventos y sus resultados se muestran en la Tabla 4.
Magnitud del terremoto 2004 Sumatra (Mw 9.2) 1964 Alaska (Mw 9.2) 2005 Nias Island (Mw 8.7) 2009 Samoa (Mw 8.0) 2010 Chile (Mw 8.8) 2011 Tohoku-Oki (Mw9.0)
Energía Total Tsunami (ET )
Escala Tsunami (ST )
Alerta de Tsunami?
GPS
Sísmica
GPS
Sísmica
ST = 5 (umbral)
6,0e+15 J 8,2e+15 J 2,8e+14 J 6,5e+14 J 3,0e+15 J
5.2e+15 J 2,2e+14 J 3,5e+14 J -
5,8 5,9 4,4 4,8 5,5
5,7 4,3 4,5 -
>> 5 Yes >> 5 Yes << 5 No << 5 No << 5 No >> 5 Yes
Tabla 4: ET: Energía Total y ST: Escala de Tsunami calculados en distintos eventos usando el modelo de Song (GPS) y soluciones sísmicas convencionales. Fuente: NASA - Jet Propulsion Laboratory (Song, 2012, 2007)
84
En la Tabla 5 se realiza la comparación entre los datos calculados usando el SIGpiloto y los datos calculados por Tony Song, en ambos casos se usó el modelo de Song, basado en datos de observaciones de estaciones GPS.
Magnitud del terremoto
2010 Chile (Mw 8.8) 2011 Tohoku-Oki (Mw9.0)
Energía Total Tsunami (ET )
Escala Tsunami (ST )
Alerta de Tsunami? ST = 5 (umbral)
TONY SONG
GPS - SIG PILOTO
TONY SONG
GPS - SIG PILOTO
TONY SONG
GPS - SIG PILOTO
6,5e+14 J 3,0e+15 J
6,2e+14 J 2,6e+15 J
4,8 5,5
4,8 5,4
NO SI
NO SI
Tabla 5: ET: Energía Total y ST: Escala de Tsunami calculados en distintos eventos usando el modelo de Song (GPS) y el SIG-piloto a partir de datos GPS Fuente: Elaboración propia
Los resultados obtenidos tanto para el terremoto de Japón Tohoku-Oki (Mw 9.0) como para el terremoto de Chile (Mw 8.8) presentan valores semejantes para los cálculos de Energía Total y Escala de tsunami y por ende la misma detección de la alerta temprana de tsunami. El SIG a escala piloto cumplió con la prueba de funcionamiento, es decir ejecuta los scripts de Python durante todos los procesos internos sin presentar fallas, maneja adecuadamente los datos de entrada, realiza los cálculos aplicando el modelo de Song y finalmente es capaz de mostrar en el entorno gráfico de Visual Studio Code los resultados de los indicadores del Tsunami por medio de la representación gráfica de las series de tiempo de ΔE: variación de la componente Este-Oeste, ΔN: variación de la componente Norte-Sur, ΔU: variación de la componente vertical, Energía Total, Escala del Tsunami calculada y muestra una tabla de resumen de los datos de origen de las series de tiempo. Además, el SIG-piloto es capaz de mostrar en el entorno gráfico de Visual Studio Code una alerta visual y auditiva de posible Tsunami cuando el valor de la Escala de Tsunami es mayor o igual a 5. Con base en estos antecedentes se evidencia que el SIG-piloto desarrollado con software libre cumple con los objetivos planteados en el presente estudio.
85
5. CONCLUSIONES Y RECOMENDACIONES 5.1
CONCLUSIONES
El presente proyecto se desarrolló con software libre (Python, PostgreSQL, Virtual Studio Code). Inició con el diseño y actualización de la base de datos para almacenar la información primaria, la cual se usó para aplicar el modelo matemático de Song y de esta manera calcular la Energía Total y Escala de Tsunami. Usando el valor de la Escala de Tsunami se analizó si existe o no la posibilidad de emitir una alerta de tsunami tanto visual como auditiva del evento. Finalmente, se realizó una prueba exitosa de funcionamiento del SIG-piloto usando datos reales del terremoto y tsunami: Tohoku-Oki de Japón (2011) y Chile (2010). Basado en el estudio realizado se concluye: -
Usando PostgreSQL y Python es posible diseñar una base de datos que almacena información de los archivos corregidos y procesados de la Estación GPS – San Lorenzo y también las distancias de epicentros de eventos sísmicos.
-
El lenguaje de programación Python y sus complementos se adaptan a las necesidades específicas de cualquier proyecto, incluyendo el presente estudio, gracias a su flexibilidad, compatibilidad y documentación actualizada.
-
Los scripts en lenguaje de programación Python en conjunto con sus módulos y librerías: numpy, matplotlib, pandas, math, psycopg2, xlrd, entre otras, permitieron extraer, modificar, guardar, editar, graficar y calcular los indicadores de alerta de Tsunami aplicando el modelo matemático de Song.
86
-
Usando scripts en Python fue posible calcular la Energía Total y Escala de Tsunami aplicando el modelo matemático de Song a partir de los datos iniciales.
-
La alerta de tsunami se emite cuando el valor calculado de la Escala de Tsunami es mayor o igual a 5.
-
El uso de la librería Matplotlib de Python permite graficar las series de tiempo de los indicadores de Tsunami: las variaciones de las componentes este-oeste, norte-sur y elevación, Energía Total y Escala de Tsunami.
-
El entorno gráfico de Visual Studio Code permite ejecutar los scripts de programación en lenguaje Python y mostrar las series de tiempo de los indicadores de Tsunami de la Estación GPS San Lorenzo, así como también la alerta visible y auditiva de un posible evento de tsunami.
Las pruebas de funcionamiento del SIG-piloto desarrollado con software libre fueron satisfactorias y se evidenció que es capaz de emitir una alerta temprana de tsunami.
5.2
RECOMENDACIONES
El presente estudio demuestra que es posible desarrollar un Sistema de Información Geográfica a escala piloto usando software libre capaz de generar una alerta temprana en caso de Tsunami usando los datos provenientes de un GPS de alta precisión. Sin embargo, se pone a consideración algunas recomendaciones que aportarán a futuros proyectos en este campo de la investigación: -
Se recomienda implementar los scripts directamente en los servidores centrales para agilitar la velocidad de cálculo y manejo de datos.
87
-
Se recomienda aplicar la metodología del presente estudio usando distintos modelos matemáticos para evaluar la calidad de los resultados obtenidos entre los modelos.
-
Se recomienda aplicar la metodología de este proyecto usando un mayor número de estaciones GPS de alta precisión para obtener resultados con mayor precisión.
-
Se recomienda crear nuevos modelos matemáticos que permitan simplificar metodologías actuales para disminuir tiempos de procesamiento de datos en distintos ámbitos de aplicación de alertas tempranas.
-
Se recomienda apoyar el desarrollo de nuevas tecnologías aplicadas en el área de prevención de riesgos y desastres naturales en el Ecuador.
88
6. REFERENCIAS
Acero, N. (2013). Diseño e implementación de un sistema de procesamiento, análisis y despliegue de información geodésica satelital orientado a estudios geodinámicos (Universidad de Manizales). Universidad de Manizales,
Manizales.
Recuperado
de
http://ridum.umanizales.edu.co:8080/xmlui/handle/6789/740 Alvarez, M. (2003). Qué es Python. Recuperado 1 de diciembre de 2019, de Qué es Python website: https://desarrolloweb.com/articulos/1325.php Avila, F. (2014). Desarrollo e implementación de una infraestructura de datos espaciales para Gobierno Autónomo Descentralizado Municipal: Aplicación particular Cantón Guachapala (Universidad de Cuenca). Universidad de Cuenca,
Cuenca.
Recuperado
de
https://dspace.ucuenca.edu.ec/bitstream/123456789/20240/1/TESIS.pdf BKG GNSS Data Center. (2019). Ntrip—Networked Transport of RTCM via Internet Protocol. Recuperado 24 de noviembre de 2019, de Ntrip— Networked
Transport
of
RTCM
via
Internet
Protocol
website:
https://igs.bkg.bund.de/ntrip/about Blewitt, G., Hammond, W., Kreemer, C., Plag, H.-P., Stein, S., & Okal, E. (2008). GPS for real-time earthquake source determination and tsunami warning systems. Journal of Geodesy, 83, 335-343. https://doi.org/10.1007/s00190008-0262-5 Blewitt, G., Kreemer, C., Hammond, W., Plag, H.-P., Stein, S., & Okal, E. (2006). Rapid determination of earthquake magnitude using GPS for tsunami
89
warning
systems.
Geophysical
Research
Letters,
33,
1-4.
https://doi.org/10.1029/2006GL026145 Bustos, X. (2012). Desarrollo de un sistema de información geoespacial con uso de software libre. Terra Nueva Etapa, 28, 11-38. Calle, M. (2017). Desarrollo e implementación del algoritmo del filtro de Hatch en orden de suavizar los errores de las medidas de GPS para mejorar la precisión
del
posicionamiento
estandar.
(Escuela
Politécnica
de
Chimborazo). Escuela Politécnica de Chimborazo, Riobamba. Recuperado de http://dspace.espoch.edu.ec/handle/123456789/7952 Cardona, L., Corchuelo, Y., & Mora, H. (2015). Construcción de una herramienta usando software libre para la gestión de la red nacional de estaciones GNSS permanentes con propósitos geodinámicos de Colombia. Actas de Ingeniería, 1, 72-78. Collot, J.-Y., Sallares, V., & Pazmiño, N. (2009). Geología y geofísica marina y terrestre del Ecuador: Desde la costa continental hasta las islas Galápagos. Recuperado
de
https://horizon.documentation.ird.fr/exl-
doc/pleins_textes/divers12-04/010051349.pdf Downey, A., Meyer, C., & Elkner, J. (2012). How to think like a computer scientist: Learning with Python. Needham, Massachusetts: Green Tea Press. Recuperado de http://greenteapress.com/thinkpython/thinkpython.pdf Encyclopedia Britannica. (2019). Tsunami. Recuperado 15 de diciembre de 2019, de Tsunami website: https://www.britannica.com/science/tsunami Falck, C., Ramatschi, M., Subarya, C., Bartsch, M., Merx, A., Hoeberechts, J., & Schmidt, G. (2010). Near real-time GPS applications for tsunami early
90
warning systems. Natural Hazards and Earth System Sciences, 10(2), 181189. https://doi.org/10.5194/nhess-10-181-2010 Fellner, A., & Konieczka, R. (2019). Rotorcraft in the Performance Based Navigation
International
TRANSACTIONS
Civil
ON
Aviation
AEROSPACE
Organization RESEARCH,
Implementation. 1(254),
53-64.
https://doi.org/10.2478/TAR-2019-0005 Guillén, J. (2014). Los SIG bajo plataforma libre y la infraestructura de datos espaciales (IDE) propuesta (Universidad de Los Andes). Universidad de Los
Andes,
Mérida.
Recuperado
de
https://www.academia.edu/7614954/Trabajo_de_Revisi%C3%B3n_Bibliogr %C3%A1fica Hammond, W. C., Brooks, B. A., Bürgmann, R., Heaton, T., Jackson, M., Lowry, A. R., & Anandakrishnan, S. (2011). Scientific Value of Real-Time Global Positioning System Data. EOS, Transactions American Geophysical Union, 92(15), 125-132. https://doi.org/10.1029/2011EO150001 Hatanaka, Y. (2008). A Compression Format and Tools for GNSS Observation Data. Bulletin of the Geographical Survey Institute, 55, 21-30. Hoechner, A., Babeyko, A. Y., & Sobolev, S. V. (2008). Enhanced GPS inversion technique applied to the 2004 Sumatra earthquake and tsunami. Geophysical
Research
Letters,
35(8).
https://doi.org/10.1029/2007GL033133 Hoechner, A., Ge, M., Babeyko, A., & Sobolev, S. (2013). Instant tsunami early warning based on real-time GPS - Tohoku 2011 case study. Natural Hazards
and
Earth
System
Sciences,
13,
1285-1292.
https://doi.org/10.5194/nhess-13-1285-2013
91
IGEPN. (2010). Terremoto de Chile (8.8 Mw) del 27 de febrero de 2010. Boletín Sísmico Especial No 1-2010, 3. IGEPN. (2012, marzo 8). Cifras oficiales de la catástrofe en Japón en 2011— Instituto Geofísico—EPN. Recuperado 3 de febrero de 2021, de https://www.igepn.edu.ec/servicios/noticias/604-cifras-oficiales-de-lacat%C3%A1strofe-en-jap%C3%B3n-en-2011 IGEPN. (2019). Series de tiempo de los datos GPS - Instituto Geofísico—EPN. Recuperado
28
de
junio
de
2020,
de
https://www.igepn.edu.ec/mapas/gps/mapa-datos-gps-tectonicos IGEPN. (2020). Resumen del Proyecto de Tsunamis. Recuperado 5 de marzo de 2020,
de
Resumen
del
proyecto
de
Tsunamis
website:
https://www.igepn.edu.ec/resumen-del-proyecto-tsunamis INPRES. (2019). TSUNAMI. Instituto Nacional de Prevención Sísmica - INPRES. Recuperado de http://contenidos.inpres.gob.ar/alumnos/docentes Ioualalen, M., Monfret, T., Béthoux, N., Chlieh, M., Ponce, G., Collot, J., … Navarrete, E. (2014). Tsunami mapping in the Gulf of Guayaquil, Ecuador, due to local seismicity. Marine Geophysical Researches, 35, 1-18. https://doi.org/10.1007/s11001-014-9225-9 Junta de Andalucía. (2011). NTCA_02002: Observación y procesamiento GNSS. Comisión Interdepartamental de Estadística y Cartografía de Andalucía. Recuperado
de
https://www.juntadeandalucia.es/institutodeestadisticaycartografia/ieagen/s ea/ntca/02_procesos/02002_Observacion_procesamiento.pdf
92
Kamigaichi, O. (2015). Tsunami Forecasting and Warning. En Encyclopedia of Complexity and Systems Science (pp. 1-38). Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-642-27737-5_568-3 LaBrecque, J., Rundle, J., & Bawden, G. (2017). Global Navigation Satellite System Enhancement for Tsunami Early Warning Systems. 37. Map Server. (2019). Map Server Open Source Web Mapping. Recuperado 24 de noviembre
de
2019,
de
About
website:
https://mapserver.org/about.html#about Mazzoni, A., Crespi, M., Colosimo, G., & Branzanti, M. (2013). GPS Near-RealTime Coseismic Displacements for the Great Tohoku-oki Earthquake. IEEE Geoscience
and
Remote
Sensing
Letters,
10,
372-376.
https://doi.org/10.1109/LGRS.2012.2207704 Melgar, D., Allen, R. M., Riquelme, S., Geng, J., Bravo, F., Baez, J. C., … Smalley, R. (2016). Local tsunami warnings: Perspectives from recent large events.
Geophysical
Research
Letters,
43(3),
1109-1117.
https://doi.org/10.1002/2015GL067100 Melgar, D., & Bock, Y. (2013). Near-field tsunami models with rapid earthquake source inversions from land- and ocean-based observations: The potential for forecast and warning. Journal of Geophysical Research: Solid Earth, 118(11), 5939-5955. https://doi.org/10.1002/2013JB010506 Mervart, L. (2013). BKG Ntrip Client (BNC): Manual V. 2.9. Recuperado de http://acc.igs.org/misc/bnchelp.pdf Microsoft. (2021). Visual Studio Code. Recuperado 4 de febrero de 2021, de https://code.visualstudio.com/
93
NASA. (2010). NASA Demonstrates Tsunami Prediction System [Feature]. Recuperado 17 de noviembre de 2019, de NASA Demonstrates Tsunami Prediction
System
website:
https://www.nasa.gov/topics/earth/features/tsunami_prediction.html NASA. (2021). CDDIS- NASA´s Archive of Space Geodesy Data. Recuperado 30 de enero de 2021, de https://cddis.nasa.gov/archive/gnss/data/daily/ OGC. (2019). About OGC. Recuperado 24 de noviembre de 2019, de OGC website: https://www.opengeospatial.org/about OGC. (2020). Welcome to The Open Geospatial Consortium | OGC. Recuperado 15 de diciembre de 2019, de https://www.ogc.org Ohta, Y., Kobayashi, T., Tsushima, H., Miura, S., Hino, R., Takasu, T., … Umino, N. (2012). Quasi real-time fault model estimation for near-field tsunami forecasting based on RTK-GPS analysis: Application to the 2011 TohokuOki earthquake (Mw 9.0). Journal of Geophysical Research: Solid Earth, 117(B2). https://doi.org/10.1029/2011JB008750 Pilgrim, M. (2009). Inmersión en Python 3. Creative Commons. Recuperado de https://argentinaenpython.com/quiero-aprender-python/inmersion-enpython-3.0.11.pdf Pizarro, N. F., Tornello, M. E., & Gallucci, Á. R. (2017). Los terremotos, la profundidad del hipocentro y la energía liberada. La influencia en las construcciones. Revista de Geología Aplicada a la Ingeniería y al Ambiente, 0(39), 9-18. PostGIS. (2019). What is PostGIS? Recuperado 24 de noviembre de 2019, de PostGIS website: http://postgis.refractions.net/
94
Press & Media. (2019). GFZ / GITEWS. Recuperado 15 de diciembre de 2019, de https://www.gitews.org/en/press-media/ Project Jupyter. (2021). Jupyter. Recuperado 4 de febrero de 2021, de https://www.jupyter.org PYnative. (2020). Python PostgreSQL Tutorial Using Psycopg2 [Complete Guide]. Recuperado
4
de
febrero
de
2021,
de
PYnative
website:
https://pynative.com/python-postgresql-tutorial/ Python Software Foundation. (2021a). matplotlib: Python plotting package (Versión 3.3.4) [Python]. Recuperado de https://pypi.org/project/matplotlib/ Python Software Foundation. (2021b). numpy: NumPy is the fundamental package for array computing with Python. (Versión 1.20.0) [C, Python, MacOS, Microsoft :: Windows, POSIX, Unix]. Recuperado de https://www.numpy.org Python Software Foundation. (2021c). pandas: Powerful data structures for data analysis, time series, and statistics (Versión 1.2.1) [Cython, Python, OS Independent]. Recuperado de https://pandas.pydata.org Python Software Foundation. (2021d). Xlrd2 (Versión 1.2.6) [Pitón, Python, Independiente del SO]. Recuperado de https://pypi.org/project/xlrd2/ Segovia, J. (2018). Ventajas y Desventajas de PostgreSQL. Recuperado 4 de febrero
de
2021,
de
TodoPostgreSQL
website:
https://www.todopostgresql.com/ventajas-y-desventajas-de-postgresql/ Sharma, A. (2021). Math2.0: Maths library with some intermediate function (Versión 0.0.1) [Python, Microsoft :: Windows :: Windows 10]. Sobolev, S., Babeyko, A., Wang, R., Hoechner, A., Galas, R., Rothacher, M., … Subarya, C. (2007). Tsunami early warning using GPS-Shield arrays.
95
Journal of Geophysical Research: Solid Earth, 112(B08415), 1-18. https://doi.org/10.1029/2006JB004640 Song, Y. T. (2007). Detecting tsunami genesis and scales directly from coastal GPS
stations.
Geophysical
Research
Letters,
34(19),
1-6.
https://doi.org/10.1029/2007GL031681 Song, Y. T. (2012). A Story about the GPS-Aided Tsunami Early-detection System. NASA - Jet Propulsion Laboratory, 30. Takasu, T. (2013). RTKLIB: An Open Source Program Package for GNSS Positioning.
Recuperado
10
de
diciembre
de
2020,
de
http://www.rtklib.com/ Tejada, A. (2016). Diseño y programación de software para el control de calidad y condiciones de archivos RINEX para procesamiento de observaciones GNSS (Universidad Nacional de San Juan). Universidad Nacional de San Juan,
San
Juan.
Recuperado
de
ftp://ftp.unsj.edu.ar/agrimensura/Trabajo%20Final/Trabajo%20Final_Tejada ,Agostina.pdf. Titov, V., Song, Y. T., Tang, L., Bernard, E. N., Bar-Sever, Y., & Wei, Y. (2016). Consistent Estimates of Tsunami Energy Show Promise for Improved Early Warning.
Pure
and
Applied
Geophysics,
173(12),
3863-3880.
https://doi.org/10.1007/s00024-016-1312-1 Trimble Navigation Limited. (2011). Ficha Técnica: Receptor de referencia de la serie
Trimble
NetR9
GNSS.
Recuperado
de
https://geotronics.es/files/products/129/NetR9_0611con_logo.pdf UNAVCO. (2019a). BKG Ntrip Client (BNC). Recuperado 15 de diciembre de 2019, de https://connect.unavco.org/display/n692103
96
UNAVCO.
(2019b).
COCONet:
Continuously
Operating
Caribbean
GPS
Observational Network. Recuperado 13 de diciembre de 2019, de https://coconet.unavco.org/people/station-info-espanol.html UNAVCO. (2019c). TEQC - The Toolkit for GNSS Data. Recuperado 12 de octubre
de
2019,
de
https://www.unavco.org/software/data-
processing/teqc/teqc.html Van Rossum, G. (2020). Tutorial Phyton Documentation. Python Software Foundation.
Recuperado
de
https://tutorial.python.org.ar/_/downloads/en/latest/pdf/ Vigny, C., Socquet, A., Peyrat, S., Ruegg, J., Métois, M., Madariaga, R., … Kendrick, E. (2011). The 2010 Mw 8.8 Maule Megathrust Earthquake of Central Chile, Monitored by GPS. Science (New York, N.Y.), 332, 14171421. https://doi.org/10.1126/science.1204132 Wang, R., Parolai, S., Ge, M., Jin, M., Walter, T. R., & Zschau, J. (2013). The 2011 Mw 9.0 Tohoku Earthquake: Comparison of GPS and Strong-Motion Data. The Bulletin of the Seismological Society of America, 103, 13361347. https://doi.org/10.1785/0120110264
97
7. ANEXOS ANEXO I: EJEMPLO DE ARCHIVO RINEX En la Figura 40 se muestra un ejemplo de formato compacto RINEX versión 3.0 que corresponde a la versión comprimida. Cada archivo RINEX posee una cabecera y una sección de datos, esta cabecera contiene la información general del fichero de la estación, el receptor o la antena; la sección de datos contiene datos referentes al tipo de archivo (Calle, 2017; Hatanaka, 2008).
Figura 40. Muestra de un archivo compacto RINEX versión 3.0 Fuente: (Hatanaka, 2008)
98
