In this work, an Early Warning System (EWS) was developed and the reliability of its alerts and the accuracy to forecast intense rains in the short term in the city of Morelia were evaluated. A methodology focused on covering 3 basic elements that make up a EWS was proposed, which are 1) Risk Knowledge, 2) Surveillance and Alert Service and 3) Dissemination and Communication. Through a risk analysis, the areas with the highest risk of flooding were identified, which are related to heavy rains. A network for monitoring climate variables in real time was developed, deploying 12 automatic weather stations. In addition, a forecasting model based on an artificial neural network of the MLP type was created and evaluated, whose forecast accuracies were categorized as very good according to the goodness-of-fit indices of Nash-Sutcliffe efficiency and Kling-Gupta efficiency, obtaining scores of 0.965 and 0.931, respectively. Finally, a digital platform was created that processes the data captured by the automatic weather stations to later run the forecast model and generate predictions of the next 10 minutes of rain.
En este trabajo se desarrolló un Sistema de Alerta Temprana (SAT) y se evaluó la fiabilidad de sus alertas y la precisión para pronosticar lluvias intensas a corto plazo en la ciudad de Morelia. Se propuso una metodología enfocada en cubrir 3 elementos básicos que componen a un SAT, los cuales son 1) Conocimiento del riesgo, 2) Servicio de vigilancia y alerta y 3) Difusión y Comunicación. Mediante un análisis del riesgo se identificaron las zonas con mayor riesgo de inundaciones, las cuales se relacionan con las lluvias intensas. Se desarrolló una red de monitoreo de variables climáticas en tiempo real, desplegando 12 estaciones meteorológicas automáticas. Además, se creó y evaluó un modelo de pronóstico basado en una red neuronal artificial del tipo MLP cuyas precisiones en los pronósticos se categorizaron como muy buenas de acuerdo a los índices de bondad de ajuste de Nash-Sutcliffe efficiency y Kling-Gupta efficiency obteniendo puntajes de 0.965 y 0.931, respectivamente. Por último, se creó una plataforma digital que procesa los datos capturados por las estaciones meteorológicas automáticas para posteriormente ejecutar el modelo de pronóstico y generar las predicciones de los siguientes 10 minutos de lluvia.
