Las inundaciones, que representan casi el 40% de los desastres relacionados con el clima en todo el mundo, han más que duplicado su frecuencia desde el año 2000, como se destaca en un informe reciente de la Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastres. La creciente gravedad de estos acontecimientos ha resultado en pérdidas anuales promedio de aproximadamente 388 mil millones de dólares. Mientras tanto, las sequías también son cada vez más frecuentes y devastadoras en distintas partes del mundo.
En respuesta a estos crecientes desafíos, los investigadores han desarrollado un nuevo modelo hidrológico diseñado para predecir los impactos de las inundaciones y optimizar la gestión del agua a escala global. Este enfoque innovador integra inteligencia artificial (IA) con modelos basados en la física para ofrecer datos completos y precisos, ayudando a las comunidades a gestionar los recursos hídricos, reducir los riesgos de inundaciones, planificar actividades agrícolas y proteger los ecosistemas.
Actualmente, el modelo puede simular áreas tan pequeñas como 36 kilómetros cuadrados (14 millas cuadradas) en todo el mundo, con la capacidad de ampliar a una escala de 6 kilómetros cuadrados (2,5 millas cuadradas) en regiones equipadas con datos más detallados. Los hallazgos de este importante estudio han sido publicados en comunicación de la naturaleza.
Chaopeng Shen, profesor de ingeniería civil y ambiental en Penn State y autor correspondiente del estudio, dijo: «Este modelo cambia las reglas del juego para la hidrología global». Las capacidades de largo alcance del modelo, combinadas con su resolución más fina y calidad mejorada, lo convierten en una herramienta valiosa para la gestión del agua y la previsión de inundaciones a escala local. Su objetivo es proporcionar conocimientos hidrológicos críticos para las misiones satelitales globales, ayudando a las regiones subdesarrolladas que a menudo carecen de estos servicios esenciales.
Los investigadores han descubierto varios conocimientos críticos a través de este modelo. En particular, descubrieron que el equilibrio hídrico entre los ríos, las aguas subterráneas y el paisaje circundante no es estático, sino que fluctúa significativamente de un año a otro y de una región a otra debido a las variaciones en el clima y las precipitaciones. Por ejemplo, el modelo indica que los caudales de los ríos en Europa han disminuido, lo que ha resultado en una menor disponibilidad de agua dulce para los estuarios, aumentando la salinidad y afectando a los ecosistemas locales. Además, el modelo capturó eficazmente los rápidos cambios en los niveles de ríos o arroyos en respuesta a las precipitaciones en diferentes lugares del mundo.
Una de las innovaciones clave del modelo radica en su combinación de redes neuronales (sistemas de inteligencia artificial diseñados para replicar el aprendizaje similar al humano) con componentes basados en la física y que se basan en ecuaciones matemáticas y leyes de la física establecidas. El aspecto basado en la física tiene en cuenta características esenciales del ciclo del agua, como la lluvia, la infiltración del suelo, la recarga de aguas subterráneas, el caudal y la evaporación. El componente de red neuronal aprende las variables que controlan estos fenómenos, permitiendo ajustes en tiempo real si faltan datos o están simplificados.
«Este enfoque de extremo a extremo es mucho más sólido, especialmente para regiones sin datos, donde el componente basado en la física garantiza un comportamiento fundamental», señaló Shen. «Si bien las redes neuronales destacan por aprender a partir de datos extensos, su capacidad para predecir más allá de conjuntos de datos conocidos es limitada».
El nuevo método de aprendizaje automático también reduce significativamente el tiempo y el esfuerzo manual necesarios anteriormente para calibrar los parámetros del modelo para diferentes regiones. Los métodos de calibración tradicionales eran a menudo lentos y engorrosos, pero la integración de programación diferenciable permite a las redes neuronales generar de forma autónoma parámetros basados en la retroalimentación de los datos de observación.
Shen enfatizó que la capacidad de la IA para entrenar con billones de parámetros supera con creces las limitaciones anteriores, lo que resulta en un nivel de consistencia, velocidad y precisión sin precedentes en metodologías anteriores. Él prevé que este modelo influirá en última instancia en las decisiones sobre el uso del agua, las prácticas de riego, la gestión de inundaciones y la conservación de los ecosistemas a escala global. Las actualizaciones futuras del modelo podrían incluir características adicionales como evaluaciones de la calidad del agua, seguimiento de nutrientes y mapeo tridimensional de aguas subterráneas.
