La inteligencia artificial mejora las proyecciones de inundaciones futuras por el cambio climático

La planificación y el diseño de infraestructuras hidráulicas vitales, como presas, puentes o diques, dependen históricamente de modelos hidrológicos que estiman la magnitud y frecuencia de eventos extremos, como las crecidas con periodos de retorno de 50 o 100 años. Sin embargo, en un contexto de cambio climático que altera la intensidad y recurrencia de estos fenómenos, la fiabilidad de las proyecciones basadas en datos históricos se está viendo seriamente cuestionada.

Una investigación liderada por la Universidad de Cornell, publicada en el ‘Journal of Hydrology’, aborda esta incertidumbre mediante un experimento innovador que evalúa y compara la eficacia de distintos tipos de modelos predictivos, concluyendo aquellos que incorporan inteligencia artificial, junto con una perspectiva regional, ofrecen vías más robustas para la planificación futura.

El estudio parte de una premisa: los modelos utilizados para proyectar cambios hidrológicos están sujetos a incertidumbres estructurales (paramétricas y en los datos de entrada). Tradicionalmente, para contrarrestar en parte estas limitaciones, los hidrólogos incluyen cambios relativos (porcentuales) en las estadísticas de diseño, asumiendo que los sesgos de los modelos se cancelan al comparar periodos históricos y futuros.

Experimento virtual

"El grado en que esta suposición se cumple no se comprende bien", señalan los autores. La investigación busca precisamente cuantificar la incertidumbre en estas estimaciones de cambio relativo y evaluar el rendimiento de modelos basados en procesos físicos, en aprendizaje profundo ('deep learning’) y modelos híbridos que combinan ambos enfoques.

Para lograr un análisis controlado y sistemático, los investigadores idearon un experimento estilizado o ‘virtual’, utilizando como referencia treinta cuencas hidrográficas en Estados Unidos. La metodología, detallada en seis pasos secuenciales, consistió en establecer primero un modelo hidrológico conceptual (HBV) calibrado como el ‘sistema verdadero’ de referencia.

Luego, se generaron series climáticas sintéticas de mil años mediante un generador estocástico de tiempo, creando tanto condiciones de línea base como futuros escenarios de cambio climático con incrementos de temperatura y modificación de los patrones de precipitación. Posteriormente, se introdujo de manera deliberada incertidumbre en los datos de precipitación histórica, simulando el error que surge al estimar la precipitación media a partir de un número limitado de estaciones pluviométricas.

Incertidumbre estructural

Sobre este entorno virtual, se calibraron y evaluaron seis modelos: tres basados en procesos de complejidad variable, uno de aprendizaje profundo (una red neuronal LSTM) y dos híbridos que acoplan un modelo físico con un posprocesador de LSTM. Los hallazgos del experimento son reveladores y ofrecen una perspectiva matizada sobre las fortalezas y limitaciones de cada enfoque.

En primer lugar, se identificó que la incertidumbre estructural y la equifinalidad (la posibilidad de que diferentes combinaciones de parámetros produzcan resultados similares) dominan la incertidumbre en las proyecciones de cambio de crecidas. Sorprendentemente, el error en los datos históricos de precipitación tuvo un impacto marginal en el aumento de la incertidumbre de las proyecciones futuras.

"La incertidumbre aumenta solo marginalmente con más error de precipitación, lo que sugiere que las limitaciones estructurales y la equifinalidad dominan la incertidumbre", recoge el resumen del estudio. Esto significa que, incluso con datos de entrada perfectos, los modelos presentan sesgos y varianza considerables en sus estimaciones, un hallazgo que cuestiona las prácticas de calibración y validación basadas únicamente en el ajuste histórico.

Estimaciones regionales

En cuanto al rendimiento comparativo, el modelo de aprendizaje profundo puro (LSTM) proporcionó estimaciones competitivas, demostrando un bajo sesgo y varianza. Los modelos híbridos, por su parte, mostraron una capacidad notable para corregir sesgos del modelo físico subyacente, especialmente cuando este presentaba mayores limitaciones estructurales.

No obstante, como señala la investigación, "los posprocesadores de aprendizaje profundo generalmente reducen el sesgo pero no la varianza de las estimaciones de cambio". Es decir, mejoran la precisión media pero no necesariamente la consistencia de las predicciones.

Uno de los resultados más significativos, y con mayores implicaciones prácticas, es el valor de la agregación regional. El estudio descubrió que "agrupar estimaciones de cambio de crecidas de diseño entre sitios reduce significativamente la varianza del error, mejorando la confiabilidad".

Una guía más fiable

Al calcular una estimación regional, por ejemplo, la mediana del cambio proyectado en múltiples cuencas, se mitiga el ruido y la incertidumbre inherentes a las predicciones específicas de un solo sitio. Este enfoque proporciona patrones más amplios y estables de cambio hidrológico, ofreciendo una guía más fiable para la planificación a escala regional.

"Los modelos son representaciones simplificadas del mundo real, por lo que los validamos contra observaciones pasadas para asegurarnos de que funcionen bien en condiciones históricas. Sin embargo, el cambio climático está haciendo que las sequías e inundaciones sean más frecuentes y severas", apunta Sandeep Poudel, autor principal del estudio.

"Esto significa que el futuro no se parecerá al pasado, lo que lleva a una pregunta crucial: ¿Cuánto debemos confiar en nuestros modelos que fueron validados con datos históricos para hacer proyecciones para el futuro? ¿Y qué modelos son más adecuados para la planificación de infraestructuras hídricas a largo plazo?", pregunta Poudel.

Interpretaciones simplistas

Scott Steinschneider, coautor del estudio, por su lado, alerta contra interpretaciones simplistas de los resultados, en particular sobre el buen rendimiento del modelo de IA en este experimento controlado.

"Más que asumir que podemos predecir con precisión cómo cambiarán las inundaciones en cada cuenca, debemos reconocer los límites de nuestros modelos y buscar patrones que persistan en regiones más grandes. Esa perspectiva más amplia ofrece a los planificadores una guía mucho más confiable para preparar la infraestructura y proteger a las comunidades en un clima que se calienta", afirma.