Un modelo de IA podría anticipar el desarrollo de inundaciones repentinas: cómo funciona

La inteligencia artificial dejó de ser una herramienta limitada a los laboratorios tecnológicos. Sus sistemas intervienen en tareas cotidianas, organizan información, automatizan procesos y amplían capacidades en áreas como la medicina, la industria, la educación, el transporte y la investigación científica. También comienza a aplicarse en problemas vinculados con el clima, donde anticipar cambios rápidos puede resultar decisivo.

En ese campo, un equipo de la Penn State University desarrolló un modelo destinado a estimar, hora por hora, el riesgo de inundaciones repentinas. La propuesta adapta un método de IA utilizado para crear imágenes y busca reconocer con mayor precisión los aumentos súbitos del caudal de los ríos, que pueden aparecer y desaparecer en poco tiempo.

Un modelo de IA estimará inundaciones repentinas

El trabajo fue detallado en un estudio publicado en la revista Water Resources Research. Allí, los investigadores presentaron h-Diffusion, un modelo de difusión, una técnica de inteligencia artificial que aprende a eliminar información aleatoria para reconstruir patrones reconocibles a partir de datos complejos.

En la generación de imágenes, este sistema puede partir de una imagen con ruido, es decir, con información visual alterada, y recuperar una versión coherente. El equipo trasladó ese principio al pronóstico de inundaciones: en vez de reconstruir una fotografía, el modelo analiza registros de lluvia y caudal para estimar cómo variará el agua de un río durante las siguientes horas.

La escala temporal es central para el problema. Las inundaciones repentinas pueden provocar picos de caudal muy altos en pocas horas, aunque el promedio diario no parezca excepcional. “Los niveles de agua pueden subir y bajar rápidamente en cuestión de horas, lo que significa que, a escala diaria, pueden parecer altos, pero no catastróficos”, afirmó Chaopeng Shen, autor principal y profesor de ingeniería civil y ambiental en un comunicado de Penn State.

Para entrenar h-Diffusion, el grupo utilizó registros horarios de caudal de 516 cuencas fluviales de Estados Unidos recopilados entre 1990 y 2003. Luego, probó el sistema con datos de un período posterior, comprendido entre 2009 y 2014, que el modelo no había utilizado durante su aprendizaje.

El paper indica que la herramienta superó a otros modelos avanzados de aprendizaje profundo empleados como referencia. Su ventaja no se limitó a la estimación de caudales: también pudo integrar mediciones recientes procedentes de estaciones de monitoreo sin requerir un nuevo entrenamiento completo. Esa capacidad, denominada asimilación de datos, permite que el sistema incorpore información observada poco antes de emitir un pronóstico.

Según la casa de estudios, la técnica reduce parte de la incertidumbre asociada a las precipitaciones, cuyos cambios horarios son difíciles de anticipar. El modelo puede usar, por ejemplo, datos recientes sobre la lluvia y el caudal para estimar cuál será el pico de agua de ese día. Además, los autores mostraron que el sistema puede realizar una operación inversa y estimar la precipitación horaria probable a partir del caudal medido.

“En definitiva, nuestro objetivo final es ofrecer un sistema robusto, fiable y que pueda ayudar a salvar vidas”, sostuvo Shen, también afiliado al Instituto de Energía y Medio Ambiente de Penn State, según el comunicado. El equipo planea analizar modelos híbridos e incorporar más variables físicas a sus predicciones.

La IA puede mejorar la gestión del clima

El avance se inscribe en un campo que busca aprovechar la inteligencia artificial para mejorar la gestión del riesgo de inundaciones. Una revisión publicada en Climate Risk Management, que examinó más de 300 investigaciones, identificó aplicaciones en la evaluación de riesgos, los sistemas de alerta temprana y la respuesta ante emergencias.

Ese análisis sostiene que los algoritmos pueden procesar grandes volúmenes de información, desde registros hidrológicos y pronósticos meteorológicos hasta imágenes satelitales y datos de sensores. La combinación de esas fuentes puede aportar estimaciones más rápidas sobre áreas expuestas a inundaciones y ayudar a organizar recursos durante una emergencia.

Sin embargo, la revisión advierte que su implementación enfrenta obstáculos. Entre ellos figuran los sesgos en los datos, la falta de transparencia de algunos modelos y las exigencias de capacidad informática. Los autores plantearon que las herramientas deben ser accesibles y adaptables a distintos contextos, en particular en comunidades con menos recursos o con sistemas de monitoreo limitados.

Los fenómenos inéditos siguen siendo una prueba difícil para la IA

Otro estudio, publicado en Science Advances, introdujo una advertencia relevante para el uso de estos sistemas en alertas meteorológicas. La investigación comparó modelos de IA con HRES, un modelo de pronóstico basado en principios físicos del Centro Europeo de Previsiones Meteorológicas a Medio Plazo.

Los autores evaluaron la capacidad de los sistemas para anticipar récords de calor, frío y viento, es decir, eventos que superaban los valores observados durante el período de entrenamiento de las herramientas de IA. En esos casos, HRES obtuvo mejores resultados que los modelos de inteligencia artificial analizados en la mayoría de los plazos de pronóstico.

El trabajo concluye que los modelos de IA tendieron a subestimar tanto la intensidad como la frecuencia de los eventos extremos sin precedentes. Cuanto mayor era el margen por el que se superaba un récord, mayor resultaba el sesgo de las predicciones automatizadas.

La diferencia puede estar vinculada al modo en que funcionan ambos enfoques. Los modelos de inteligencia artificial aprenden de patrones presentes en datos históricos, mientras que los sistemas basados en la física emplean ecuaciones que describen la evolución de la atmósfera. Por eso, los autores señalan que aún se necesitan evaluaciones rigurosas antes de utilizar herramientas de IA de manera exclusiva en sistemas críticos de alerta temprana y gestión de desastres.