La inteligencia artificial podría ayudar a predecir inundaciones

El estudio actual de la hidrología se enfrenta a numerosos retos. Los efectos del calentamiento global se hacen patentes en forma de precipitaciones extremas que derivan en catástrofes para la sociedad.

La creciente intervención humana sobre el territorio genera alteraciones muy significativas en las condiciones de drenaje natural de las cuencas hidrográficas –porciones de terreno cuyas aguas afluyen todas a un mismo cauce– y de los movimientos de agua subterránea. (Lea: Inteligencia artificial también beneficia al agro)

¿Qué ocurre con la lluvia en la superficie?

La hidrología en una cuenca es el resultado de la interacción de múltiples procesos muy variables en el espacio y en el tiempo. Dentro de una misma cuenca, puede llover con diferente intensidad en distintos lugares y esas tormentas pueden evolucionar de forma diferente.

La precipitación caída puede infiltrar a distintas tasas en diferentes lugares de la cuenca. Estas tasas dependerán no sólo de la ocupación del suelo, sino también de otros parámetros como sus propiedades físicas o, incluso, su contenido inicial de humedad.

La porción de lluvia no infiltrada discurre hacia los cauces de los ríos en superficie a velocidades variables o puede detenerse en almacenamientos intermedios y alcanzar el cauce principal en distintos momentos.

Por último, una avenida o crecida avanza a lo largo del cauce principal con aportes continuos en cada punto del mismo. Su velocidad depende principalmente de las características geométricas del cauce. (Lea: La inteligencia artificial al servicio de la agricultura)

La integración de todos estos procesos genera un sistema con gran variabilidad espacial y temporal, extremadamente complejo de plasmar en un modelo hidrológico para toda la cuenca. El comportamiento conjunto del sistema determina, a grandes rasgos, la aparición de inundaciones y sus consecuencias.

Modelos para estudiar las cuencas hidrográficas

Para abordar el estudio de tales sistemas existen modelos de base física muy robustos conceptualmente, pero matemáticamente difíciles de manejar. Su uso a escala de cuenca hidrográfica es muy complejo en la práctica puesto que necesita información muy detallada. También existen modelos empíricos de uso muy frecuente a pesar de que su aplicación generalizada no deja de ser discutible.

En este contexto, los hidrólogos más reputados reconocen que los modelos existentes son incapaces de aportar soluciones adecuadas a las necesidades actuales de la hidrología. Estos expertos cuestionan si los modelos actuales son capaces de representar los procesos hidrológicos de forma adecuada a diferentes escalas. Además, llaman a desarrollar técnicas novedosas para la adquisición de datos experimentales sobre los procesos y al uso de datos históricos como base sobre la que construir modelos hidrológicos. (Lea: Inteligencia Artificial para sistemas alimentarios más eficientes)

Paradójicamente, a pesar de que existen infinidad de técnicas muy precisas para la medida de variables hidrológicas (precipitación, infiltración, humedad en el suelo, niveles de agua en cauces), los expertos reconocen la falta de datos de calidad. Advierten que esto, en mayor medida que la disponibilidad de modelos conceptualmente indiscutibles, es clave para avanzar en el conocimiento de los procesos hidrológicos.

Uso de algoritmos de inteligencia artificial

El uso de datos históricos para construir modelos a partir de algoritmos de inteligencia artificial o de aprendizaje automático ha experimentado un gran auge en los últimos tiempos. Se han utilizado para modelizar de forma muy precisa multitud de fenómenos como la precipitación en el tiempo (tanto a nivel mensual o estacional como a muy corto plazo), para predecir niveles de flujo en cauces tras tormentas o incluso para identificar las zonas del territorio susceptibles a la aparición de inundaciones y los niveles esperados de tales inundaciones.

Estos algoritmos son muy eficientes para extraer la información contenida en series de datos y muy útiles de cara a clasificar la información o predecir la evolución de los fenómenos hidrológicos. Además, el uso de estas herramientas, y con ello sus posibilidades para aportar información útil para la comprensión de la hidrología, se ve muy favorecido por el desarrollo de las técnicas de medida gracias a los recientes avances en microelectrónica y comunicaciones que permiten desplegar sensores muy precisos o usar drones o satélites.

Sin embargo, estos avances no han sido suficientes. Los hidrólogos todavía no se encuentran satisfechos con los modelos ni con su capacidad para predecir la evolución de los fenómenos hidrológicos. Tampoco creen que los datos recopilados sean suficientemente representativos de los fenómenos a estudiar. (Lea: ¿Qué es el Machine learning y cómo se ha empleado en investigaciones en ganadería?)

En cierto modo, la capacidad para mejorar el conocimiento de los sistemas hidrológicos y con ello modelizar y predecir mejor su evolución de cara a prevenir inundaciones debe nacer de un cambio de paradigma. Un enfoque radicalmente distinto acorde a las exigencias actuales es necesario. Los fundamentos físicos de los sistemas hidrológicos datan en su mayoría de principios del siglo XX o finales del siglo XIX y la forma en la que se interpretan y se resuelven debe adaptarse al contexto actual y a las herramientas disponibles.

El uso de los algoritmos de inteligencia artificial ensamblados y a disposición de los modelos de base física es un camino poco explorado y que puede aportar nuevas perspectivas interesantes de cara a la mejora de la capacidad de predicción de los modelos.

Por otra parte, el cambio de paradigma también debe considerar que la hidrología actual no debe basarse únicamente en la predicción de (protección ante) fenómenos extremos, sino que el contexto impone desarrollar medidas que también permitan aprovechar la escorrentía de la inmensa mayoría de las tormentas en tanto que recurso escaso y no únicamente evitar los efectos perniciosos de aquellas tormentas que ocurren con una frecuencia muy escasa. (Lea: Con mayor conectividad y tecnología se fortalecerá el campo colombiano)

Fuente: The Conversation.