Los impactos con aves de grandes dimensiones (conocidos como bird strikes) representan un riesgo operacional muy importante en las inmediaciones de los aeropuertos, especialmente en aquellas instalaciones de menores dimensiones, como las pistas forestales o bases militares. En concreto, es el sur de la Península Ibérica, dónde se detecta una alta actividad y presencia del buitre leonado (Gyps fulvus), que con su dinámica espacial, condicionada por factores meteorológicos y temporales, plantea la necesidad de herramientas predictivas que permitan anticipar niveles de riesgo de forma reproducible y basada en datos.
Este Trabajo Fin de Grado propone y desarrolla un sistema de estimación del nivel de riesgo de bird strike (colisión entre aves y aeronaves) en aeródromos españoles, basado en la integración de diversas fuentes de datos: telemetría GPS de buitres, información meteorológica y datos geográficos de aeródromos españoles. A partir de estas fuentes, se construye una arquitectura por capas (bronze/silver/gold) que normaliza formatos, depura, alinea temporalmente los registros y genera un conjunto final apto para aprendizaje automático. Sobre dicha arquitectura, se realiza un proceso de ingeniería de características orientado al dominio, incluyendo la asignación del aeródromo más cercano, distancias, altura relativa y codificación cíclica de hora y mes, además de un conjunto de predictores meteorológicos (temperatura, presión, radiación, viento, nubosidad, precipitación y humedad, entre otros).
Para estimar el riesgo en tres niveles (bajo, medio y alto), se entrenan modelos basados en árboles de gradiente (XGBoost), y para tratar el marcado desbalance entre clases, se aplica una ponderación inversamente proporcional a la frecuencia de cada nivel de riesgo. El modelo final obtiene un accuracy del 66% y un F1-macro en torno a 0.44, de manera que, el sistema logra discriminar eficaz mente entre las tres clases, priorizando la detección de las clases minoritarias (los escenarios de mayor riesgo) frente a la clase mayoritaria.
Como resultado, se implementa una interfaz interactiva que permite explorar aeródromos, introducir condiciones meteorológicas y visualizar el riesgo estimado de manera intuitiva, facilitando su interpretación en un contexto operacional.
ABSTRACT
Collisions with large birds (known as bird strikes) represent a significant operational risk in the vicinity of airports, especially at smaller airfields such as forest airstrips or military bases. In particular, it is in the south of the Iberian Peninsula where there is a high level of activity and presence of the griffon vulture (Gyps fulvus), whose spatial dynamics, conditioned by meteorological and temporal factors, raise the need for predictive tools that allow risk levels to be anticipated in a reproducible and data-based manner.
This Final Degree Project proposes and develops a system for estimating the risk level of bird strikes (collisions between birds and aircraft) at Spanish airfields, based on the integration of various data sources: GPS telemetry from vultures, meteorological information, and geographical data from Spanish airfields. Based on these sources, a layered architecture (bronze/silver/gold) is built that normalizes formats, debug, aligns records temporally, and generates a final set suitable for machine learning. A domain-oriented feature engineering process is performed on this set, including the assignment of the nearest airfield, distances, relative height, and cyclical encoding of time and month, as well as a set of weather predictors (temperature, pressure, radiation, wind, cloud cover, precipitation and humidity, among others).
To estimate risk on three levels (low, medium, and high), gradient tree-based models (XGBoost) are trained, and to address the significant imbalance between classes, a weighting inversely proportional to the frequency of each risk level is applied. The final model achieves an accuracy of 66% and an F1-macro score of around 0.44, meaning that the system is able to effectively discriminate between the three classes, prioritizing the detection of minority classes (the highest-risk scenarios) over the majority class.
As a result, an interactive interface is implemented that allows users to explore airfields, enter weather conditions and visualize the estimated risk intuitively, facilitating its interpretation in an operational context.
Los impactos con aves de grandes dimensiones (conocidos como bird strikes) representan un riesgo operacional muy importante en las inmediaciones de los aeropuertos, especialmente en aquellas instalaciones de menores dimensiones, como las pistas forestales o bases militares. En concreto, es el sur de la Península Ibérica, dónde se detecta una alta actividad y presencia del buitre leonado (Gyps fulvus), que con su dinámica espacial, condicionada por factores meteorológicos y temporales, plantea la necesidad de herramientas predictivas que permitan anticipar niveles de riesgo de forma reproducible y basada en datos.
Este Trabajo Fin de Grado propone y desarrolla un sistema de estimación del nivel de riesgo de bird strike (colisión entre aves y aeronaves) en aeródromos españoles, basado en la integración de diversas fuentes de datos: telemetría GPS de buitres, información meteorológica y datos geográficos de aeródromos españoles. A partir de estas fuentes, se construye una arquitectura por capas (bronze/silver/gold) que normaliza formatos, depura, alinea temporalmente los registros y genera un conjunto final apto para aprendizaje automático. Sobre dicha arquitectura, se realiza un proceso de ingeniería de características orientado al dominio, incluyendo la asignación del aeródromo más cercano, distancias, altura relativa y codificación cíclica de hora y mes, además de un conjunto de predictores meteorológicos (temperatura, presión, radiación, viento, nubosidad, precipitación y humedad, entre otros).
Para estimar el riesgo en tres niveles (bajo, medio y alto), se entrenan modelos basados en árboles de gradiente (XGBoost), y para tratar el marcado desbalance entre clases, se aplica una ponderación inversamente proporcional a la frecuencia de cada nivel de riesgo. El modelo final obtiene un accuracy del 66% y un F1-macro en torno a 0.44, de manera que, el sistema logra discriminar eficaz mente entre las tres clases, priorizando la detección de las clases minoritarias (los escenarios de mayor riesgo) frente a la clase mayoritaria.
Como resultado, se implementa una interfaz interactiva que permite explorar aeródromos, introducir condiciones meteorológicas y visualizar el riesgo estimado de manera intuitiva, facilitando su interpretación en un contexto operacional.
ABSTRACT
Collisions with large birds (known as bird strikes) represent a significant operational risk in the vicinity of airports, especially at smaller airfields such as forest airstrips or military bases. In particular, it is in the south of the Iberian Peninsula where there is a high level of activity and presence of the griffon vulture (Gyps fulvus), whose spatial dynamics, conditioned by meteorological and temporal factors, raise the need for predictive tools that allow risk levels to be anticipated in a reproducible and data-based manner.
This Final Degree Project proposes and develops a system for estimating the risk level of bird strikes (collisions between birds and aircraft) at Spanish airfields, based on the integration of various data sources: GPS telemetry from vultures, meteorological information, and geographical data from Spanish airfields. Based on these sources, a layered architecture (bronze/silver/gold) is built that normalizes formats, debug, aligns records temporally, and generates a final set suitable for machine learning. A domain-oriented feature engineering process is performed on this set, including the assignment of the nearest airfield, distances, relative height, and cyclical encoding of time and month, as well as a set of weather predictors (temperature, pressure, radiation, wind, cloud cover, precipitation and humidity, among others).
To estimate risk on three levels (low, medium, and high), gradient tree-based models (XGBoost) are trained, and to address the significant imbalance between classes, a weighting inversely proportional to the frequency of each risk level is applied. The final model achieves an accuracy of 66% and an F1-macro score of around 0.44, meaning that the system is able to effectively discriminate between the three classes, prioritizing the detection of minority classes (the highest-risk scenarios) over the majority class.
As a result, an interactive interface is implemented that allows users to explore airfields, enter weather conditions and visualize the estimated risk intuitively, facilitating its interpretation in an operational context. Read More
Related posts:
Richard Bird hired as Chief Security Officer at Singulr AI
Análisis de estrategias de gestión de riesgos de agricultores en Europa
US chicken capital Georgia on alert as bird flu found in processor premises
Factores de riesgo asociados a lesiones de hombro por sobreuso en voleibol: una revisión sistemática
Major exporter Brazil confirms first bird flu case on commercial poultry farm
Paratext Updates Its bird Index With a Browse Publisher Function