La inteligencia artificial ha trascendido el ámbito de los laboratorios tecnológicos para integrarse en actividades cotidianas como organizar información, automatizar procesos y potenciar campos como la medicina, la educación o el transporte. Ahora también se aplica a desafíos climáticos, donde prever cambios abruptos puede ser crucial.
En este contexto, un equipo de la Penn State University desarrolló un modelo capaz de calcular, cada hora, el riesgo de inundaciones repentinas. La propuesta adapta una técnica de inteligencia artificial usada para generar imágenes y busca detectar con mayor exactitud los incrementos súbitos del caudal de los ríos, fenómenos que pueden aparecer y desaparecer en pocas horas.
Un modelo de difusión para predecir crecidas
Los detalles del trabajo fueron publicados en la revista Water Resources Research. Allí, los investigadores presentaron h-Diffusion, un modelo de difusión basado en 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 parte de una imagen con ruido (información visual alterada) y recupera una versión coherente. El equipo trasladó ese principio a la predicción de inundaciones: en lugar de reconstruir una fotografía, el modelo analiza registros de lluvia y caudal para estimar la evolución del agua en un río durante las siguientes horas.
La escala temporal es esencial para este problema. Las inundaciones repentinas pueden provocar picos de caudal muy altos en pocas horas, aunque el promedio diario no parezca excepcional. Al respecto, Chaopeng Shen, autor principal y profesor de ingeniería civil y ambiental, señaló:
“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”.
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 (2009 a 2014) que el modelo no había visto durante su aprendizaje.
Según el artículo, 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 de estaciones de monitoreo sin requerir un nuevo entrenamiento completo. Esta capacidad, denominada asimilación de datos, permite que el sistema incorpore información observada justo antes de emitir un pronóstico.
De acuerdo con la universidad, la técnica reduce parte de la incertidumbre asociada a las precipitaciones, cuyos cambios horarios son difíciles de anticipar. El modelo puede usar datos recientes sobre lluvia y caudal para estimar el pico de agua de ese día. Además, los autores demostraron que el sistema puede realizar la operación inversa: 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”, afirmó Shen, también vinculado al Instituto de Energía y Medio Ambiente de Penn State. El equipo planea analizar modelos híbridos e incorporar más variables físicas a sus predicciones.
La inteligencia artificial en la gestión del riesgo climático
Este avance se enmarca 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 estas 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:
- Sesgos en los datos
- Falta de transparencia de algunos modelos
- Altas exigencias de capacidad informática
Los autores plantearon que las herramientas deben ser accesibles y adaptables a distintos contextos, especialmente en comunidades con menos recursos o sistemas de monitoreo limitados.
Los eventos sin precedentes, un desafío para la IA
Otro estudio, publicado en Science Advances, introdujo una advertencia importante sobre 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 podría estar vinculada al funcionamiento de ambos enfoques: los modelos de inteligencia artificial aprenden de patrones históricos, mientras que los sistemas basados en la física emplean ecuaciones que describen la evolución de la atmósfera. Por ello, 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.
Fuente: Infobae