Estados Unidos | Investigadores de la Penn State University han desarrollado un modelo de inteligencia artificial, denominado h-Diffusion, capaz de estimar el riesgo de inundaciones repentinas hora por hora. Este sistema adapta una técnica de IA utilizada en la generación de imágenes para reconocer con mayor precisión los aumentos súbitos del caudal de los ríos.
El estudio, publicado en la revista Water Resources Research, detalla que h-Diffusion es un modelo de difusión que aprende a eliminar información aleatoria para reconstruir patrones a partir de datos complejos. En lugar de reconstruir una imagen, el modelo analiza registros de lluvia y caudal para predecir las variaciones del agua de un río en las horas siguientes.
Chaopeng Shen, autor principal y profesor de ingeniería civil y ambiental en Penn State, explicó que la escala temporal es crucial, ya que las inundaciones repentinas pueden generar picos de caudal muy altos en pocas horas, aunque el promedio diario no parezca excepcional. Según Shen, los niveles de agua pueden subir y bajar rápidamente en cuestión de horas, lo que significa que, a escala diaria, pueden parecer altos, pero no catastróficos.
Para su entrenamiento, h-Diffusion utilizó registros horarios de caudal de 516 cuencas fluviales de Estados Unidos, recopilados entre 1990 y 2003. Posteriormente, el sistema fue probado con datos de un período posterior, entre 2009 y 2014, que no había sido utilizado en su fase de aprendizaje.
Los resultados mostraron que la herramienta superó a otros modelos avanzados de aprendizaje profundo. Una de sus ventajas es la capacidad de integrar mediciones recientes de estaciones de monitoreo sin requerir un nuevo entrenamiento completo, una característica conocida como asimilación de datos. Esta capacidad permite al sistema incorporar información observada poco antes de emitir un pronóstico, reduciendo la incertidumbre asociada a las precipitaciones.
El modelo también puede realizar una operación inversa, estimando la precipitación horaria probable a partir del caudal medido. El objetivo final del equipo es ofrecer un sistema robusto y fiable que pueda ayudar a salvar vidas, según Shen, quien también está afiliado al Instituto de Energía y Medio Ambiente de Penn State. Los investigadores planean analizar modelos híbridos e incorporar más variables físicas a sus predicciones.
Este avance se enmarca en un campo que busca utilizar la inteligencia artificial para mejorar la gestión del riesgo de inundaciones. Una revisión de más de 300 investigaciones, publicada en Climate Risk Management, identificó aplicaciones de la IA en la evaluación de riesgos, sistemas de alerta temprana y respuesta a emergencias. Los algoritmos pueden procesar grandes volúmenes de información, como registros hidrológicos, pronósticos meteorológicos, imágenes satelitales y datos de sensores, para ofrecer estimaciones más rápidas y ayudar a organizar recursos durante una emergencia.
Sin embargo, la revisión también advierte sobre obstáculos en la implementación de la IA, como los sesgos en los datos, la falta de transparencia de algunos modelos y las exigencias de capacidad informática. Se enfatiza la necesidad de que estas herramientas sean accesibles y adaptables a diferentes contextos, especialmente en comunidades con menos recursos o sistemas de monitoreo limitados.
Otro estudio, publicado en Science Advances, comparó modelos de IA con HRES, un modelo de pronóstico basado en principios físicos del Centro Europeo de Previsiones Meteorológicas a Medio Plazo. La investigación evaluó la capacidad de los sistemas para anticipar récords de calor, frío y viento, es decir, eventos que superaban los valores observados durante el entrenamiento de las herramientas de IA. En estos casos, HRES obtuvo mejores resultados que los modelos de inteligencia artificial analizados en la mayoría de los plazos de pronóstico.
El trabajo concluyó que los modelos de IA tendieron a subestimar la intensidad y frecuencia de los eventos extremos sin precedentes. Esta diferencia se atribuye a que los modelos de IA aprenden de patrones en datos históricos, mientras que los sistemas basados en la física utilizan ecuaciones que describen la evolución de la atmósfera. Por ello, los autores señalan la importancia de evaluaciones rigurosas antes de usar herramientas de IA de forma exclusiva en sistemas críticos de alerta temprana y gestión de desastres.
Fuente: Infobae
Apoya el periodismo independiente
Sinpe 6334-5121 | Donar Aquí