Investigadores de Penn State han desarrollado un innovador modelo hidrológico basado en inteligencia artificial capaz de predecir con precisión las inundaciones y gestionar los recursos hídricos a nivel mundial. Esta herramienta, que combina la inteligencia artificial con modelos basados en la física, promete revolucionar la gestión del agua, especialmente en regiones en vías de desarrollo.
En una era donde los fenómenos meteorológicos extremos son cada vez más frecuentes, un avance revolucionario de la Universidad Estatal de Pensilvania ofrece un rayo de esperanza. Investigadores han presentado un modelo hidrológico basado en inteligencia artificial diseñado para predecir inundaciones y gestionar los recursos hídricos a escala global con una precisión sin precedentes.
Los desastres relacionados con inundaciones se han disparado, representando actualmente hasta el 40% de las calamidades meteorológicas a nivel mundial. El reciente informe de la Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastres (UNORRD) indica que la frecuencia de estos desastres se ha duplicado con creces desde el año 2000, con pérdidas globales por inundaciones que promedian los 388 mil millones de dólares anuales. Simultáneamente, las sequías son cada vez más frecuentes y devastadoras.
En respuesta a estos desafíos, un equipo de Penn State ha desarrollado un modelo que integra la inteligencia artificial con la modelización basada en la física.
Este enfoque dual, descrito en un estudio publicado En la revista Nature Communications, se proporciona a las comunidades datos fiables para gestionar los recursos hídricos, reducir el riesgo de inundaciones, planificar los cultivos y proteger los ecosistemas.
«Este modelo supone un cambio radical para la hidrología global», afirmó en un comunicado de prensa Chaopeng Shen, profesor de ingeniería civil y ambiental de la Universidad Estatal de Pensilvania y autor principal del estudio. «Gracias a su cobertura global, mayor resolución y alta calidad, resulta plausible que un modelo a escala global sea realmente útil para la gestión del agua a nivel local y la predicción de inundaciones. Puede proporcionar un sólido conocimiento hidrológico previo para las misiones satelitales globales. Asimismo, puede ofrecer asistencia práctica a regiones subdesarrolladas que han carecido de estos servicios».
La resolución del modelo está configurada para simular áreas tan pequeñas como 36 kilómetros cuadrados (14 millas cuadradas) en todo el mundo y hacer zoom hasta 6 kilómetros cuadrados (2.5 millas cuadradas) en regiones con datos más detallados.
El modelo ya ha revelado información significativa, como el cambio en el equilibrio del agua entre ríos, aguas subterráneas y paisajes debido a los cambios climáticos.
Por ejemplo, el caudal de los ríos en Europa ha disminuido, lo que ha provocado una reducción del agua dulce en los estuarios, un aumento de la salinidad y la alteración de los ecosistemas. El modelo reprodujo con éxito estos cambios hidrológicos, lo que pone de manifiesto su precisión y su potencial para aplicaciones prácticas.
Lo que distingue a este modelo es su combinación de redes neuronales —inteligencia artificial diseñada para aprender como el cerebro humano— con componentes basados en la física que se apoyan en ecuaciones matemáticas y leyes físicas.
“Este enfoque integral es mucho más robusto, sobre todo en regiones con escasez de datos, donde la parte basada en la física garantiza el comportamiento básico”, añadió Shen. “Las redes neuronales son excelentes para aprender de grandes volúmenes de datos y completar la información faltante en los datos que ya han visto, pero no son tan buenas para predecir más allá de ese rango. Por eso es tan importante combinar las redes neuronales con modelos basados en procesos que se fundamentan en la física del funcionamiento real del sistema, especialmente cuando analizamos patrones globales”.
Al reducir el esfuerzo manual que tradicionalmente se requiere para ajustar los parámetros del modelo para diferentes regiones, Shen destacó que el nuevo enfoque de aprendizaje automático mejora significativamente la eficiencia.
“Los métodos tradicionales eran lentos, de alcance limitado y no podían aprender directamente de datos del mundo real”, añadió Shen. “La calibración de parámetros era un proceso arduo y laborioso. Con la programación diferenciable, las redes neuronales acopladas ahora pueden generar parámetros automáticamente mientras se entrenan utilizando la retroalimentación de las observaciones”.
Según Shen, este avance promete influir en las decisiones sobre el uso del agua, el riego, la gestión de inundaciones y la protección de los ecosistemas en todo el mundo. Las futuras actualizaciones podrían incluir la monitorización de la calidad del agua, el seguimiento de nutrientes y la cartografía tridimensional de las aguas subterráneas.