Introducción
Los países en desarrollo, que carecen de redes de medición de caudales, se ven desproporcionadamente afectados por las inundaciones, lo que resalta la importancia de contar con alertas tempranas precisas. La aceleración de los desastres relacionados con inundaciones debido al cambio climático subraya la urgencia de disponer de sistemas eficaces de alerta temprana, especialmente en los países de ingresos bajos y medianos, donde reside el 90% de las poblaciones vulnerables. Mejorar los sistemas de alerta temprana de inundaciones en los países en desarrollo, para adaptarlos a los estándares desarrollados, podría, según el Banco Mundial, salvar un promedio de 23.000 vidas al año. No obstante, persisten desafíos, como la necesidad de calibrar cada cuenca hidrográfica y realizar pronósticos limitados en regiones vulnerables. Este artículo aborda la investigación de Google que examina el uso de inteligencia artificial (IA) para predecir inundaciones fluviales con hasta 5 días de anticipación y detalla sus posibles implicaciones para más de 80 países, especialmente en regiones vulnerables y con escasez de datos.
El impacto devastador de las inundaciones
Las inundaciones son el tipo de desastre natural más común y la frecuencia de los desastres relacionados con inundaciones se ha más que duplicado desde 2000. Este aumento se atribuye a la aceleración del ciclo hidrológico provocada por el cambio climático antropogénico. Los países en desarrollo son especialmente vulnerables a los impactos de las inundaciones, lo que destaca la necesidad urgente de alertas de inundaciones precisas y oportunas para mitigar el impacto en las vidas humanas y los bienes.
El estado actual de la previsión de inundaciones
La predicción de inundaciones enfrenta desafíos actuales, especialmente en cuencas no aforadas donde los modelos hidrológicos necesitan datos más fiables para su calibración. Esta limitación dificulta la precisión y la anticipación de los pronósticos de inundaciones, especialmente en áreas vulnerables a los impactos humanos de las inundaciones. La falta de una densa red de medidores de caudal en los países en desarrollo agrava la inexactitud de las advertencias de inundaciones, lo que resalta la necesidad crítica de mejorar el acceso global a pronósticos fiables de inundaciones.
Una luz de esperanza: la IA de Google al rescate
La inteligencia artificial (IA) de Google presenta una solución prometedora a los desafíos de la predicción global de inundaciones. Al utilizar la IA y conjuntos de datos abiertos, se puede mejorar significativamente la precisión, la recuperación y el tiempo de entrega de los pronósticos a corto plazo de eventos fluviales extremos. El desarrollo de un sistema operativo que produce pronósticos disponibles públicamente en tiempo real en más de 80 países demuestra el potencial de la IA para proporcionar alertas tempranas y precisas de inundaciones en cuencas no calibradas. Este avance representa una mejora significativa en el acceso global a pronósticos de inundaciones y sistemas de alerta temprana fiables.
Documento de investigación de Google: La IA revoluciona la previsión de inundaciones
El estudio de investigación de Google presenta un avance significativo en la predicción de inundaciones utilizando inteligencia artificial (IA) entrenada en conjuntos de datos abiertos y públicos. El estudio evalúa el potencial de la IA para revolucionar el acceso global a las previsiones de eventos extremos en ríos internacionales. Aprovechando la IA, se ha desarrollado un sistema operativo para producir pronósticos de inundaciones a corto plazo (7 días) en más de 80 países, proporcionando pronósticos en tiempo real sin barreras de acceso, como cargos monetarios o registro en sitios web.
Utilización de la IA para previsiones globales de inundaciones
El estudio de investigación de Google profundiza en la utilización de la IA para pronósticos globales de inundaciones, resaltando la creación de un modelo de predicción de caudales con IA que amplía trabajos anteriores sobre modelos hidrológicos de predicción inmediata. El modelo emplea redes de memoria a largo plazo y corto plazo (LSTM) para predecir el caudal diario en un horizonte de pronóstico de 7 días. Es importante destacar que el modelo de IA no emplea datos de flujo como entradas, lo que aborda el desafío de la disponibilidad de datos en tiempo real, especialmente en lugares no aforados. La estructura del modelo incorpora un modelo codificador-decodificador con unidades LSTM separadas para datos de entrada meteorológicos históricos y de pronóstico.
De datos abiertos a pronósticos en tiempo real
El sistema operativo desarrollado en base al modelo de IA ofrece pronósticos de inundaciones en tiempo real en más de 80 países, marcando un hito importante en la mejora del acceso global a advertencias fiables de inundaciones. La capacidad del sistema para generar pronósticos a corto plazo sin barreras de acceso, como se evidencia en la disponibilidad de pronósticos en tiempo real.
y de forma gratuita, resalta el potencial de la IA para mejorar los sistemas de alerta temprana ante inundaciones.
Más allá de la última tecnología
El rendimiento del modelo de IA supera al sistema de modelado global de última generación, el Sistema Global de Concientización sobre Inundaciones del Servicio de Gestión de Emergencias de Copernicus (GloFAS). Según el informe, la predicción basada en inteligencia artificial logra una confiabilidad en la predicción de eventos fluviales extremos en cuencas no monitoreadas con un plazo de hasta cinco días, comparable o incluso mejor que la confiabilidad de los pronósticos inmediatos de GloFAS. Además, la precisión del modelo de IA en eventos con periodos de retorno de cinco años es similar o superior a la precisión actual en eventos con periodos de retorno de un año, lo que sugiere su potencial para brindar advertencias tempranas y precisas sobre inundaciones de mayor magnitud e impacto en cuencas no calibradas.
Bajo el capó: el modelo de IA
Contruyendo los cerebros
El modelo de predicción de caudales mediante IA amplía el trabajo previo sobre modelos hidrológicos de predicción inmediata al usar redes LSTM para simular secuencias de datos de caudales a partir de datos meteorológicos de entrada. Este modelo utiliza una arquitectura codificador-decodificador, con un LSTM que opera en una secuencia histórica de datos meteorológicos de entrada (el codificador LSTM) y otro LSTM que opera en el horizonte de pronóstico de 7 días con datos de pronósticos meteorológicos de entrada (el decodificador LSTM). Dado que no se utilizan datos de caudal como entradas debido a la falta de disponibilidad de datos en tiempo real en ubicaciones no monitoreadas, y el punto de referencia (GloFAS) no emplea entradas autorregresivas, el modelo se basa en entradas de modelos y objetivos de caudal correspondientes a 152,259 años de datos de 5,680 cuencas, lo que equivale a un tamaño total de 60 GB almacenados en el disco.
La línea temporal de los datos
La figura muestra los periodos de datos disponibles de cada fuente utilizada para el entrenamiento y la predicción con el modelo de IA. Durante el proceso de entrenamiento, se imputaron los datos faltantes mediante variables similares de otra fuente de datos o imputándolos con un valor promedio, mientras se agregaba una bandera binaria para indicar cuando se realizaba una imputación. En cuanto a las características técnicas, el modelo se basa en una secuencia retrospectiva de 365 días de duración, con un tamaño oculto de 256 estados celulares para los LSTM del codificador y del decodificador.
¿Qué tan acertado es el modelo de IA en sus predicciones?
Para evaluar el rendimiento del modelo de IA, se llevaron a cabo experimentos de validación cruzada con datos provenientes de 5,680 medidores, dividiéndolos en tiempo y espacio para garantizar predicciones fuera de la muestra. El modelo ofrece predicciones sobre los parámetros de una distribución laplaciana asimétrica única sobre el caudal normalizado por área en cada paso de tiempo, incluyendo la estimación del tiempo de entrega. Durante el entrenamiento, el modelo se basa en 50,000 mini lotes con un tamaño de lote de 256, estandarizando las entradas restando la media y dividiendo por la desviación estándar de los datos del periodo de entrenamiento.
Poniendo a prueba el modelo
Los experimentos de validación cruzada abarcaron divisiones entre continentes, zonas climáticas y grupos de cuencas hidrológicamente separadas. Se evalúa el modelo de IA fuera de la muestra tanto en términos de ubicación como de tiempo, presentando los resultados a través de un hidrograma derivado del promedio de los hidrogramas pronosticados de un conjunto de tres LSTM codificadores y decodificadores entrenados por separado.
Evaluación del modelo utilizando métricas de hidrograma
Se examinaron las métricas del hidrograma del modelo de IA en comparación con las métricas de evaluación general de GloFAS, observando una disminución en las puntuaciones a medida que aumenta el tiempo de entrega. Los resultados se calcularon para el periodo de 2014 a 2021 y las métricas se presentan detalladamente en la Tabla 1 de datos ampliados. Asimismo, se analizaron las métricas del hidrograma del modelo de IA y de GloFAS en los 1144 medidores donde se calibra GloFAS, encontrando puntuaciones decrecientes a medida que aumenta el tiempo de plomo.
¿Qué impulsa a la IA?
Para determinar qué atributos geofísicos influyen en la alta o baja confiabilidad del modelo de IA, se utilizaron clasificaciones de importancia de características de clasificadores de confiabilidad. Los aspectos más críticos del modelo de IA incluyen el área de drenaje, la evaporación potencial anual media (PET), la evaporación real anual media (AET) y la elevación. Estos atributos están correlacionados con las puntuaciones de confiabilidad, indicando una alta no linealidad e interacción de parámetros en el modelo.
Conclusión
A pesar de que los modelos hidrológicos han avanzado, muchas regiones propensas a inundaciones carecen de sistemas confiables de predicción y alerta temprana. El estudio de Google demuestra cómo la inteligencia artificial y los datos abiertos pueden mejorar significativamente la precisión, la cobertura y el tiempo de anticipación de los pronósticos a corto plazo para eventos fluviales extremos. Las predicciones basadas en IA representan una solución prometedora al extender la confiabilidad de los pronósticos globales actuales a un plazo de cinco días y mejorar las capacidades predictivas en África a niveles equiparables a los de Europa.
Además, el hecho de proporcionar públicamente estas predicciones en tiempo real y sin barreras de acceso facilita la difusión oportuna de advertencias sobre inundaciones. A pesar de estos avances, sigue habiendo margen para seguir mejorando mediante el aumento del acceso a datos hidrológicos para entrenar modelos precisos y ofrecer actualizaciones en tiempo real a través de iniciativas de código abierto como Caravan. Mejorar las predicciones y las alertas tempranas de inundaciones a nivel global es crucial para proteger a millones de personas en todo el mundo de los devastadores efectos de las inundaciones en vidas y propiedades. La combinación de inteligencia artificial, datos abiertos y esfuerzos colaborativos allana el camino hacia este objetivo esencial.