Implementación y optimización del sistema de banderas electrónicas en la costa española

Abstract

A lo largo del año 2021 el número de ahogados en las playas de España fue de un total de 260 personas. Según el informe anual de la Federación Española de Salvamento y Socorrismo, la mayoría de estos fallecimientos se produjeron en zonas sin ningún tipo de vigilancia, por lo que estos accidentes pudieron ser evitados. El objetivo de este Trabajo de Fin de Máster (TFM) es el de crear una herramienta que nos permita predecir el estado de las playas españolas, determinar su peligrosidad y, con esta información, generar una bandera de playa electrónica. Para ello, se ha entrenado una red neuronal artificial profunda tomando diferentes variables metoceánicas como la velocidad del viento, las mareas o la altura de las olas. Se han utilizado datos de toda la costa española proporcionados por el Instituto de Hidráulica Ambiental de Cantabria (IHCantabria), por la Cruz Roja y por el Copernicus Marine Service. Se han estudiado las métricas y las predicciones obtenidas por nuestra red neuronal. A pesar de haber obtenido un accuracy relativamente alto en las predicciones, el modelo no llega a clasificar bien todas las banderas debido al gran desbalanceo de las clases. Con el fin de mejorar los resultados obtenidos, se han aplicado diversas técnicas previas a la clasificación y también se han ajustado otros modelos predictivos de Machine Learning que son los árboles de predicción, el bagging y el clasificador naive bayes.

Throughout the year 2021, 260 people drowned on Spanish beaches. According to the annual report of the ’Federación Española de Salvamento y Socorrismo’, most of these drownings were produced in unattended areas, so these accidentes could be avoided. The main goal of this project is to create a tool that allows us to predict the state of Spanish beaches, to establish its dangerousness and, with this information, to generate an electronic bathing flag. To achieve this goal, a deep neural network has been fitted by taking different metocean variables such as wind velocity, tides or wave height, as input data. The used data was provided by the ’Instituto de Hidráulica Ambiental’ (IHCantabria), the ’Cruz Roja’ and the ’Copernicus Marine Service’. Metrics and predictions obtained by the deep neural network were studied. Despite getting an acceptable accuracy of the predictions, the model isn’t able to perform properly due to class imbalance. With the aim of improving the obtained results, various techniques were applied before the classification and also other Machine Learning predictive models were fitted, like predictive trees, bagging and naive bayes classifier.