Inteligencia Artificial Refina Modelo Nacional de Agua para Previsiones de Inundaciones

Avances recientes en la predicción de inundaciones a escala continental, impulsados por la Inteligencia Artificial de aprendizaje profundo, están redefiniendo el modelado hidrológico global. Un nuevo marco conceptual, denominado Errorcastnet (ECN), se ha diseñado para operar como una capa de soporte sobre los modelos hidrológicos nacionales existentes, como el Modelo Nacional de Agua (NWM) de la Administración Nacional Oceánica y Atmosférica (NOAA) de Estados Unidos.

Este sistema híbrido ha demostrado una mejora sustancial en la precisión, superando las metodologías anteriores al analizar y corregir sistemáticamente los errores inherentes a los pronósticos previos del NWM. Investigadores de la Universidad de Míchigan, incluido el científico Vinh Ngoc Tran, lideraron el desarrollo de Errorcastnet, cuyos hallazgos fueron publicados en la revista AGU Advances. El modelo de IA, basado en una red neuronal, fue entrenado mediante el examen de inundaciones históricas en comparación con las predicciones simuladas por el NWM, permitiéndole identificar y mitigar fallos sistemáticos.

El enfoque del ECN es crucial porque aprovecha la solidez física del NWM mientras corrige sus deficiencias, a diferencia de los modelos puramente basados en IA que pueden subestimar flujos al ignorar factores físicos como la elevación o la vegetación. Además de mejorar la fiabilidad, el sistema ECN ofrece una cuantificación de la incertidumbre, un aspecto que los sistemas operativos actuales a menudo no logran describir con la debida claridad. El sistema es capaz de generar pronósticos rápidos para miles de ubicaciones, permitiendo que las predicciones de conjunto a medio plazo se realicen en cuestión de minutos a escala nacional, lo que representa una mejora significativa sobre los modelos tradicionales computacionalmente costosos.

Específicamente, el ECN optimiza la precisión del NWM a lo largo de plazos de pronóstico que abarcan de uno a diez días. Esta capacidad de respuesta rápida y la mejora en la fiabilidad de las alertas tempranas son fundamentales para la mitigación de desastres a escala global, particularmente en regiones con infraestructura de monitoreo limitada. El uso del ECN ha demostrado generar un valor económico superior, de más del 380%, para la toma de decisiones en comparación con el uso exclusivo del NWM, un beneficio que se maximiza durante eventos extremos con un período de retorno superior a 20 años.

Aunque el sistema actual se entrenó con datos de Estados Unidos, los autores indican que la arquitectura del Errorcastnet puede adaptarse a otras regiones geográficas mediante el uso de información hidrológica local, lo que subraya su potencial como solución escalable para la gestión de riesgos de inundaciones a nivel mundial. La integración de esta IA en el modelado hidrológico sienta un precedente para superar las limitaciones de precisión y coste computacional de los sistemas operativos a gran escala, ofreciendo una solución más robusta para la protección de poblaciones y activos.