A Reproducible Open-Data Workflow for Identifying Coastal Electrical Infrastructure Exposure to Flood and Coastal Hazards: A Comparative Application in Jamaica and Mozambique

Resumen Técnico: Un flujo de trabajo de datos abiertos y reproducible para la identificación de la exposición de la infraestructura eléctrica costera

Planteamiento del problema
La infraestructura eléctrica costera en los Pequeños Estados Insulares en Desarrollo (SIDS, por sus siglas en inglés) y en los Países de Ingresos Bajos y Medios (LMIC, por sus siglas en inglés) enfrenta riesgos crecientes debido a peligros impulsados por el clima, incluyendo ciclones tropicales intensificados, el aumento del nivel del mar y precipitaciones intensas. Sin embargo, las herramientas analíticas para evaluar esta exposición suelen estar fragmentadas, compartimentadas institucionalmente o dependen de software propietario y datos de peligros comerciales que son inaccesibles o inasequibles para muchas empresas de servicios públicos y ministerios de planificación nacionales. Los conjuntos de datos globales de inundaciones existentes frecuentemente excluyen a los pequeños estados insulares debido a los umbrales de tamaño de cuenca, y las evaluaciones post-desastre son inherentemente reactivas. Existe una necesidad crítica de un flujo de trabajo de bajo costo, reproducible y de datos abiertos que pueda identificar la exposición de la infraestructura tanto a inundaciones como a peligros costeros sin requerir experiencia especializada o licencias comerciales.

Metodología
El artículo presenta un flujo de trabajo geoespacial implementado enteramente dentro de QGIS 3.34 utilizando herramientas de código abierto e insumos de datos abiertos globales. El flujo de trabajo integra tres métodos de detección complementarios para identificar la exposición:

1. Detección de "Blue Spots" (Puntos Azules): Adaptado de la ingeniería de drenaje de carreteras, este método identifica depresiones topográficas locales donde el agua se acumula durante lluvias intensas. Implica corregir hidrológicamente un Modelo Digital de Elevación (DEM), restar el DEM rellenado del original para calcular la profundidad de la depresión, y filtrar depresiones con una profundidad superior a 0,3 m y un tamaño mayor a 1.800 m². Esto detecta riesgos para equipos montados en el suelo, cimientos y vías de acceso, en lugar de la inundación directa de líneas.
2. Susceptibilidad a Inundaciones Derivada del Terreno: Utilizando el Índice de Convergencia Topográfica (TCI), también conocido como Índice de Humedad Topográfica (TWI), el flujo de trabajo clasifica el terreno en susceptibilidad de inundación baja, media y alta basándose en el área de contribución aguas arriba y la pendiente local. Esto sirve como un proxy de riesgo de inundación ante la ausencia de modelos hidrológicos calibrados o mapas de peligro globales.
3. Análisis de Proximidad Costera: El flujo de trabajo genera zonas de amortiguamiento (buffers) de 1 km y 5 km desde la línea de costa nacional para identificar activos expuestos a marejadas ciclónicas, inundaciones costeras y degradación por salinidad.

Fuentes de Datos y Adaptaciones
El estudio utiliza exclusivamente conjuntos de datos abiertos:

• Terreno: Copernicus Global DEM (GLO-30) con una resolución de 30 m.
• Infraestructura: Plantas de generación de la base de datos global de centrales eléctricas de WRI y OpenStreetMap (OSM); líneas de transmisión extraídas de OSM vía Overpass Turbo.
• Límites: Fronteras administrativas GADM v4.1.

El flujo de trabajo se aplicó a dos casos de estudio contrastantes: Jamaica (un SIDS caribeño con ~100% de electrificación) y Mozambique (un LMIC del sudeste africano con ~36% de electrificación). Los autores señalaron adaptaciones técnicas específicas requeridas para Mozambique debido a su mayor masa terrestre y volumen de datos (un DEM de 8,7 GB), incluyendo la sustitución de GRASS r.fill.dir por WhiteboxTools para el llenado de depresiones y el uso de Estadísticas Zonales en lugar de la vectorización de ráster para las intersecciones espaciales para gestionar las restricciones computacionales.

Resultados Clave
La aplicación del mismo flujo de trabajo a ambos países arrojó resultados sensibles al contexto que reflejan diferencias geográficas e infraestructurales genuinas:

• Jamaica: La geografía de la isla concentra la capacidad de generación a lo largo de la costa. El 70% de las plantas de generación se encuentran dentro de los 5 km de la costa, y el 50% dentro de 1 km. El 51% de los segmentos de las líneas de transmisión intersectan zonas de alta susceptibilidad a inundaciones y depresiones de "blue spots". No se detectaron plantas de generación dentro de los "blue spots" a una resolución de 30 m, probablemente debido a que la escala del encharcamiento urbano está por debajo del umbral de detección del DEM.
• Mozambique: La geografía continental distribuye la generación hacia el interior (por ejemplo, la capacidad hidroeléctrica en el interior). Solo el 27% de las plantas de generación se encuentran dentro de los 5 km de la costa. Sin embargo, la red de transmisión está fuertemente expuesta a inundaciones terrestres, con el 83% de las líneas de transmisión atravesando zonas de alta susceptibilidad a inundaciones y el 59% intersectando depresiones de "blue spots". Se detectó una planta de generación dentro de un "blue spot".

Un hallazgo crítico respecto a la disponibilidad de datos fue la exclusión estructural de Jamaica de los productos estándar de peligro de inundación global (por ejemplo, los mapas de peligro de inundación global de JRC excluyen cuencas <5.000 km²; FATHOM Global 2.0 era inaccesible), lo que hizo necesario el uso del proxy basado en TCI.

Contribuciones Clave

1. Transferencia de Dominio Novedosa: El artículo adapta con éxito la detección de "blue spots", una técnica utilizada anteriormente para redes de carreteras, a la infraestructura eléctrica. Cambia la lógica de detección de "dónde se acumula el agua sobre el activo" a "dónde se acumula el agua alrededor del activo y su acceso de reparación", abordando la saturación de cimientos y la falta de accesibilidad en las vías.
2. Flujo de Trabajo de Datos Abiertos y Reproducible: El estudio demuestra que se puede realizar un cribado de exposición multiamenaza robusto utilizando enteramente software de código abierto (QGIS) y datos abiertos globales, eliminando las barreras de entrada para los SIDS y los LMIC.
3. Escalabilidad Metodológica: El flujo de trabajo demostró ser transferible a contextos muy distintos (insular vs. continental, alta vs. baja electrificación) utilizando los mismos insumos, mientras se acomodan las restricciones computacionales mediante la sustitución de herramientas.
4. Identificación de Brechas de Datos: La investigación destaca la exclusión sistemática de los pequeños estados insulares de los conjuntos de datos de peligro de inundación globales, planteándolo no solo como una limitación de datos, sino como un hallazgo metodológico que requiere el uso de proxies topográficos en estas regiones.

Significancia y Limitaciones
Los autores posicionan este flujo de trabajo como una capa de cribado en lugar de una herramienta de toma de decisiones final. Su valor principal reside en identificar áreas prioritarias donde la adquisición de datos más específicos y de mayor resolución (por ejemplo, LiDAR) o las evaluaciones de ingeniería particulares generarían el mayor retorno de inversión. El artículo reconoce limitaciones significativas, incluyendo la resolución de 30 m del DEM (que pierde el encharcamiento a escala urbana), el uso de un DSM en lugar de un DTM (que puede inflar las elevaciones en áreas vegetadas) y la dependencia de inventarios de activos de datos abiertos incompletos que pueden subestimar sistemáticamente la exposición total.

El estudio concluye que, si bien este flujo de trabajo no puede reemplazar el modelado hidrológico detallado o los datos propietarios, proporciona una base necesaria y de bajo costo para la planificación energética resiliente al clima. Permite a las empresas de servicios públicos y ministerios en entornos con recursos limitados pasar de una respuesta reactiva ante desastres a la identificación proactiva de corredores vulnerables, informando decisiones sobre el endurecimiento de la infraestructura, la ubicación futura y el financiamiento de riesgos.