Proyectos

Chile se ha visto cada vez más afectado por múltiples eventos extremos climáticos que ocurren simultáneamente, como eventos compuestos, o consecutivamente, como eventos en cascada. Los eventos climáticos se consideran compuestos cuando ocurren al mismo tiempo. Por ejemplo, el centro de Chile (la región más poblada del país) se ha visto afectada por sequías frecuentes y severas, agravadas por el aumento de las olas de calor (HWs) que a su vez han favorecido persistentes incendios forestales. Estos eventos extremos han afectado la economía al dañar cultivos y provocar escasez de alimentos para el ganado. Los eventos en cascada actúan como una serie de fichas de dominó que se derrumban. Por ejemplo, en el sur de Chile, las fuertes lluvias orográficas asociadas con potentes ríos atmosféricos (ARs) han provocado graves inundaciones que, al arrastrar sedimentos ricos en nutrientes a lagos y fiordos, a menudo han favorecido floraciones de algas nocivas (HABs). En la misma región, el rápido derretimiento de los campos de hielo patagónicos no solo está canalizando hierro hacia lagos y fiordos (favoreciendo más floraciones de algas), sino que también ha formado cientos de nuevos lagos. El vaciamiento repentino de lagos glaciales (GLOFs) han provocado deslizamientos de tierra e inundaciones que han borrado del mapa pequeños poblados en la Patagonia.

Sistema Articulado de Investigación en Cambio Climático y Sustentabilidad de Zonas Costeras de Chile CUECH/RISUE RED21992

“Volando en El Tiempo” es un cuento para niños y niñas (de 3 a 9 años) que se presenta en un novedoso formato: calendario con cuento de pared. La historia narra el viaje de una lora Tricahue desde la Región de O’Higgins a 12 lugares del país, donde conoce e interactúa con diferentes fenómenos meteorológicos y climatológicos. El producto unirá relatos cortos junto a ilustraciones y tendrá una página para cada mes, la identificación de las cuatro estaciones del año y actividades/preguntas para fomentar la observación de las niñas y niños del tiempo meteorológico. La creación de este producto contempla un equipo multidisciplinario con experiencia en divulgación de la ciencia, ciencias atmosféricas y en divulgación con niños y niñas. Se repartirán 1.500 unidades de los calendarios y además se propone crear un formato digital descargable del calendario y otro del cuento (junto con un audio-cuento) para poder difundir en otros públicos. Esperamos despertar la curiosidad de las niñas y niños que viven en Chile sobre las Ciencias Atmosféricas y Cambio Climático una manera simple: mirando un calendario y pudiendo observar por la ventana o saliendo a ver el cielo y así conocer sobre el tiempo a través del vuelo que hace la lora.

El presente proyecto propone estudiar las intrusiones de agua marina (SWI, por sus siglas en inglés) en la localidad costera de Bucalemu, comuna de Paredones, Región de O’Higgins, con el objetivo de entender cómo las variaciones del nivel del mar y la llegada de Ríos Atmosféricos afectan la salinidad de suelos y cuerpos de agua costeros. Las SWIs constituyen un fenómeno en aumento debido al cambio climático y al alza sostenida del nivel medio del mar, lo que impacta negativamente los recursos hídricos, la calidad del suelo y la productividad agrícola. El proyecto surge como una extensión del trabajo previo realizado en Pichilemu por la Universidad de O’Higgins (proyecto URO RED21992), donde se evidenció un incremento en la conductividad eléctrica del suelo y la salinidad del estero San Antonio, asociados a eventos de lluvias intensas y marejadas vinculadas a Ríos Atmosféricos. Bucalemu, además de su importancia turística y pesquera, enfrenta presiones sobre su acuífero, declarado en restricción por el Ministerio de Obras Públicas, lo que refuerza la necesidad de un monitoreo científico del fenómeno. Desde una perspectiva interdisciplinaria, la investigación combina la geofísica, la edafología y la hidrogeología. La geofísica permitirá registrar las variaciones del nivel del mar y del estero mediante la técnica de reflectometría interferométrica GNSS (GNSS-IR), una metodología innovadora y costo-efectiva que usa señales satelitales para medir cambios de altura en cuerpos de agua. La edafología abordará los impactos de la salinidad en el suelo mediante muestreos sistemáticos a diferentes profundidades, mientras que la hidrogeología contribuirá a interpretar los procesos de mezcla entre agua dulce y salada. Las hipótesis de trabajo plantean que las variaciones de marea y los Ríos Atmosféricos generan incrementos de la conductividad eléctrica del suelo cerca de la desembocadura del estero, y que el impacto de las SWIs disminuye tierra adentro. Los objetivos específicos incluyen medir simultáneamente niveles de mar y agua, identificar y caracterizar Ríos Atmosféricos, analizar su relación con la salinidad del suelo, y realizar seminarios de difusión científica en la comunidad. La metodología contempla la instalación de dos estaciones GNSS y un sensor de conductividad eléctrica Teros- 12, junto a campañas de muestreo de suelo en invierno y verano. Los datos se complementarán con análisis de series temporales y catálogos de Ríos Atmosféricos derivados del reanálisis ERA5. Asimismo, se realizarán vuelos con dron para obtener modelos de elevación de alta precisión y determinar áreas vulnerables a inundación marina. El equipo de trabajo está liderado por el Dr. Raúl Valenzuela, experto en Ríos Atmosféricos y mediciones GNSS, junto a la Dra. Claudia Rojas, especialista en edafología, y el Dr. Etienne Bresciani, con experiencia en hidrogeología costera. La colaboración internacional incluye al Dr. Pierre Bosser (ENSTA Bretagne, Francia), experto en GNSS-IR. El proyecto contribuirá al manejo hídrico sostenible y la adaptación al cambio climático en la Región de O’Higgins, fortaleciendo el conocimiento científico y la resiliencia costera mediante una aproximación interdisciplinaria. Se espera que sus resultados sirvan como base para políticas públicas orientadas a la gestión del borde costero y la protección de ecosistemas como el Humedal de Bucalemu.

Consiste en diversos módulos de baja potencia que pueden configurarse e interconectarse para implementar variadas topologías emergentes de sistemas eléctricos y topologías de conversión como: microrredes, enlaces de alto voltaje en corriente continua (HVDC), convertidores modulares multinivel (MMC), sistemas de baterías (BESS), cargadores rápidos, entre otros. Cada módulo de potencia posee una unidad de control propia coordinada por una unidad central, lo que permite implementar esquemas de control distribuido. Además, la plataforma contempla una etapa de amplificación de potencia trifásica, que permite generar físicamente los voltajes y corrientes de un punto común de acoplamiento con una red eléctrica emulada en tiempo-real. Esto permite estudiar la interacción de la red emulada con los sistemas eléctricos y las topologías de conversión emergentes descritas anteriormente. Por consiguiente, esta plataforma agiliza el prototipado, tanto en hardware de potencia como de control, permitiendo la validación experimental de estrategias de control distribuido que, a diferencia del control centralizado (tradicionalmente utilizado en la academia e industria), presenta ventajas que son de utilidad para mejorar la resiliencia de los sistemas eléctricos, como son: mejor confiabilidad, flexibilidad, escalabilidad, operación plug-and-play y tolerancia a fallas de un solo punto.

Numerous real-life decision-making processes involve solving a task with uncertain input that can be estimated from historic data. There is a growing interest in decision-focused learning methods (a.k.a. smart predict-then-optimize) whose goal is to find models that fit the data while considering how the predicted input will perform in a particular task. For example, the task can be a shortest path problem that uses predictions on travel times in the objective function. Fitting the data and ignoring the task may lead to sub-optimal decisions. Sometimes, uncertainty is involved in the constraints of the model. In this case, ignoring the task would lead to infeasible decisions. The goal of this project is to develop efficient exact algorithms and new applications to train a Machine Learning models that perform well in one or several tasks using mathematical programming (MP) tools. In this context, the typical measure of a predictor is the regret: the excess cost incurred when making a suboptimal decision due to an imprecise predictor. This problem is bilevel in nature: the top-level decision consists in determining a predictor that minimizes a regret while considering that the predictions will affect a task, e.g. an optimization problem in a lower level. This structure is typically non-convex and non-continuous, making the problem difficult to solve for realistic instances. However, several recent advances in bilevel-tailored approaches exploit this structure and can solve large scale problems. There are two main ways of estimating task-oriented predictors: 1) stochastic gradient-based methods; and 2) MP reformulations of the problem. Stochastic gradient-based methods replace the non-differentiable regret for some differentiable surrogate loss function approximating the real loss. Due to advances in neural network implementations and stochastic gradient-descent this approach is the most applied among researchers and practitioners in the Machine Learning community. MP for data science has attracted the attention of researchers and practitioners in different areas as mathematics, operations research, computer science during the last years. It provides some degree of flexibility, being able to model desirable considerations for predictions models. For instance, MP has been successfully used to train sparse models yielding improved explainability and/or fairness. Moreover, MP models are in many cases solvable by any off-the-shelf solver. However, for the decision-focused learning problem there are still many gaps using MP formulations. To the best of our knowledge, MP formulations have been used only for surrogate loss functions. Behind the low usage of MP tools is the scalability. A typical ML setting involves data sets involving thousands of observations. In consequence, the training task becomes more difficult. To tackle this issue, decomposition methods such as cut and column generation can help to solve problems at scale. We aim to provide efficient exact methods that can return either optimal solutions, or optimality guarantees for large scale instances. During the last years, decision-focused learning has been widely applied to combinatorial optimization problems. However, this approach can also be used in many other applications such as Markov decision processes (MDPs) or game theory. In the first case, we can take algorithmic advantage of well-known existing algorithms for MDPs such as value iteration or policy iteration, or approximation techniques such as Q-learning. The game-theoretic setting is more challenging: depending on the notion of equilibrium the loss function would change. For instance, the definition of regret can be applied straightforwardly to Stackelberg equilibria (or leader-follower equilibria), a concept widely applied to energy markets, security and transportation. In the case of Nash equilibrium, the definition of regret is not direct anymore. We hope to develop models that adapt the decision-focused learning paradigm to this broader context. The study of this topic requires the use and development of MP of tools along with their algorithmic analysis. During the project, we expect to develop efficient of algorithms that can be used by decision making, as well as contribute in the understanding of the theoretical aspects of decision-focused learning.

La crisis hídrica provocada por el calentamiento global es uno de los problemas más importantes que afectan a regiones agrícolas como la sexta Región de O’Higgins. Este proyecto de vinculación internacional tiene como objetivo principal investigar distintos mecanismos para la asignación de recursos hídricos e épocas de escasez. En particular, se analizará el caso en que se tienen multiples usos de agua: distintos tipos de industrias (cupríferas y agrícola por ejemplo) y uso urbano. Este proyecto de vinculación internacional es liderado por el equipo nacional conformado por investigadores de la Universidad de O'Higgins y Universidad de Chile. Este proyecto incluye visitas del equipo nacional a los centros INRIA Sophia Antipolis, y INRAE en Montpellier, así como la organización de un workshop en la Universidad de O’Higgins.