Las inundaciones, que representan casi el 40% de los desastres relacionados con el clima en todo el mundo, han visto su frecuencia más que duplicarse 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 son cada vez más frecuentes y devastadoras en varias 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 de los recursos hídricos a escala global. Este enfoque innovador combina inteligencia artificial (IA) con modelos basados en la física para proporcionar datos completos y precisos para ayudar a las comunidades a gestionar los recursos hídricos, mitigar los riesgos de inundaciones, planificar operaciones 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 áreas con datos más detallados. Los resultados de este importante estudio han sido publicados Comunicaciones de la naturaleza.
“Este modelo cambia las reglas del juego para la hidrología global”, dijo Chapeng Shen, profesor de ingeniería civil y ambiental en Penn State y autor del estudio. Las capacidades a gran escala del modelo, combinadas con su resolución más fina y calidad mejorada, lo convierten en una herramienta valiosa para la gestión del agua y la predicción de inundaciones a escala local. Su misión es proporcionar conocimientos hidrológicos críticos para misiones satelitales globales y ayudar 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 constante y 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 sugiere que los caudales de los ríos en Europa han disminuido, lo que ha resultado en una menor disponibilidad de agua dulce para los estuarios, lo que ha resultado en un aumento de la salinidad y en impactos en los ecosistemas locales. Además, el modelo captura eficazmente los cambios rápidos en los niveles de los ríos o arroyos en respuesta a las precipitaciones en diferentes ubicaciones del mundo.
Una de las innovaciones clave del modelo radica en su combinación de redes neuronales (sistemas de inteligencia artificial diseñados para imitar el aprendizaje humano) con componentes basados en la física que se basan en ecuaciones matemáticas y leyes naturales establecidas. El aspecto basado en la física explica características importantes del ciclo del agua, como la lluvia, la infiltración del suelo, la recarga de aguas subterráneas, el flujo de las corrientes y la evapotranspiración. El componente de la red neuronal aprende las variables que gobiernan estos fenómenos, lo que permite realizar ajustes en tiempo real ante datos faltantes o simplificados.
“Este enfoque de extremo a extremo es muy sólido, especialmente para áreas con escasez de datos, ya que el componente basado en la física garantiza un comportamiento básico”, señaló Shen. “Aunque las redes neuronales destacan por aprender de una amplia gama de datos, su capacidad para hacer predicciones más allá de los conjuntos de datos conocidos es limitada”.
El nuevo método de aprendizaje automático reduce significativamente el tiempo y el esfuerzo manual necesarios anteriormente para calibrar los parámetros del modelo para diferentes regiones. Los métodos de calibración tradicionales suelen ser lentos y engorrosos, pero la incorporación 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 las limitaciones anteriores, lo que resulta en una estabilidad, velocidad y precisión sin precedentes en métodos anteriores. Él prevé que el modelo influirá en última instancia en las decisiones relacionadas con 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 incorporar características adicionales como evaluaciones de la calidad del agua, seguimiento de nutrientes y mapeo tridimensional de aguas subterráneas.
