Un nuevo estudio revela que los «modelos básicos» entrenados con grandes cantidades de datos de series temporales comunes tienen el potencial de predecir con precisión los caudales de los ríos, incluso en áreas donde hay poco o ningún registro hidrológico local.
Este enfoque podría mejorar las alertas de inundaciones, la planificación de sequías y la gestión de recursos hídricos en partes del mundo donde los datos de seguimiento son limitados.
El estudio, publicado en Machine Learning: Earth, fue realizado por investigadores de la Universidad de Texas en Austin e Hydrotify LLC.
El Dr. Alexander Sun de la Universidad de Texas en Austin e Hydrotify LLC explicó: «La información confiable sobre el agua es esencial para todas las comunidades, pero muchas regiones aún carecen de los registros a largo plazo necesarios para respaldar los métodos de pronóstico tradicionales».
No emitir avisos de inundaciones provoca una cadena de desastres
En muchas partes del mundo, los medidores de los ríos son escasos, los registros están incompletos y las redes de monitoreo son difíciles de mantener.
Sin conjuntos de datos confiables y a largo plazo, las comunidades a menudo reciben pocas advertencias antes de las inundaciones, una comprensión limitada del riesgo de sequía y menos herramientas para guiar la asignación de agua y la planificación de infraestructura.
Cuando no se emiten advertencias de inundaciones, los impactos van desde manejables hasta catastróficos. Sin tiempo de anticipación, las comunidades se encuentran en una situación “temporal” sin oportunidad para mover objetos de valor, fortificar viviendas o evacuar.
Esta falta de preparación conduce a la destrucción de infraestructuras y bienes personales sin ningún intento de mitigación, lo que provoca mayores tasas de mortalidad y pérdidas económicas astronómicas.
A medida que aumentan las presiones del cambio climático, la capacidad de generar advertencias útiles sobre inundaciones sin depender de extensos registros locales se vuelve cada vez más importante.
Un sistema eficiente de alerta de inundaciones aumenta la protección
Los sistemas de alerta de inundaciones son esenciales por varias razones, entre ellas:
Proporciona el valioso tiempo necesario para alcanzar alturas y reduce en gran medida el riesgo de ahogamiento. Incluso un aviso de una hora podría permitir a los residentes mover vehículos o instalar compuertas contra inundaciones, mitigando potencialmente miles de daños. Las alertas sistemáticas permiten a los socorristas desplegar recursos de forma proactiva y asegurar rutas de evacuación antes de que se vuelvan intransitables.
En general, la alerta temprana transforma una situación caótica de supervivencia en una respuesta coordinada y sirve como principal escudo entre los fenómenos naturales y los desastres provocados por el hombre.
Los modelos de IA muestran un rendimiento superior en el monitoreo del flujo de los ríos
El equipo de investigación evaluó varios modelos avanzados de IA conocidos como Time Series Foundation Models (TSFM).
Estos TSFM se entrenaron originalmente con datos de series temporales de campos como la energía, el transporte y el clima, pero se probaron en un gran conjunto de datos fluviales de EE. UU. que consta de más de 500 cuencas hidrográficas. Un modelo en particular, llamado Reloj de Sol, funcionó casi tan bien como un modelo de memoria a corto plazo (LSTM) entrenado completamente en décadas de registros de flujo de ríos.
El modelo de IA funcionó mejor en cuencas dominadas por fuertes patrones estacionales, como los flujos impulsados por el deshielo.
«Estos enfoques demuestran cómo las nuevas herramientas de inteligencia artificial pueden ayudar a llenar ese vacío al hacer que las predicciones de advertencia de inundaciones basadas en datos sean accesibles en más lugares», comentó Sun.
«Si bien todavía hay margen de progreso, especialmente en sistemas fluviales más complejos, este estudio apunta a un futuro en el que se podrán realizar mejores predicciones de inundaciones incluso en áreas que han estado desatendidas durante décadas».
Aumentar el valor de la previsión hídrica en el mundo real
Los investigadores observaron que la capacidad de TSFM varía según el tamaño de los datos de entrenamiento.
A medida que las generaciones futuras de TSFM incorporen más datos geocientíficos, incluidos registros hidrológicos y climáticos, su valor en el pronóstico del agua en el mundo real seguirá aumentando.
Source link
