Daría al sistema de transporte local planes de acción en tiempo real que pueden salvar vidas y propiedades
Como lo demostraron las recientes inundaciones en España y otros lugares, cada minuto de advertencia dado a la gente antes de una posible inundación puede salvar vidas y propiedades.
Un nuevo artículo científico puede ayudar a las autoridades a mejorar los protocolos de evacuación en caso de inundaciones con la ayuda de un modelo de aprendizaje automático desarrollado por investigadores de la Universidad de Concordia en Canadá.
El candidato a doctorado Mohamed Almetwally Ahmed y Samuel Li, profesor y director del Departamento de Ingeniería Civil, Ambiental y de Construcción, crearon un método que utiliza inteligencia artificial para predecir con mayor precisión a corto plazo la descarga de los ríos.
Utilizando datos históricos y un nuevo conjunto de predictores basados en el clima, los autores basaron su investigación en la medición de la advección (la tasa de movimiento del agua) entre dos estaciones hidrométricas en el río Ottawa. Se creó un caso de prueba con dos estaciones que se encontraban a unos 30 kilómetros de distancia. La estación situada aguas abajo había estado desactivada durante muchos años y la estación situada aguas arriba todavía estaba activa.
Los datos históricos recopilados durante décadas por el Gobierno de Canadá se complementaron con datos sobre los niveles de precipitaciones, temperatura y humedad, entre otros parámetros. Una vez ingresados en el modelo de aprendizaje automático, estos parámetros proporcionaron estimaciones confiables sobre el caudal diario y dieron datos en tiempo real sobre cuánta agua se movía a través de una sección transversal particular del río.
"Las previsiones subdiurnas, es decir, con menos de 24 horas de antelación, se utilizan principalmente para las evacuaciones. Este método nos proporciona probabilidades de previsión más precisas en comparación con las que hacen predicciones diarias o para varios días", afirma Ahmed. "Todos estos se basan en probabilidades, y la probabilidad aumenta a medida que disminuye el tiempo de pronóstico".
Imagen: (a) Vista en primer plano del río Ottawa entre las estaciones hidrométricas 02KF009 (CS aguas arriba o CSU) y 02KF005 (CS aguas abajo o CSD); (b) vista general de la red fluvial, los límites de las cuencas hidrográficas y los puntos de salida, que ilustra cómo estas cuencas hidrográficas desembocan en el río Ottawa y se conectan con él. Crédito: Hydrology (2024). DOI: 10.3390/hydrology11090151
Un modelo transparente y transferible
Los investigadores se basaron en un tipo de algoritmo existente llamado método de grupo de manejo de datos. Este método construye modelos predictivos ordenando y combinando datos en grupos, donde se calculan en diferentes combinaciones repetidamente hasta que se identifica la mejor y más confiable combinación de datos.
"En este método, utilizamos nueve predictores: siete parámetros meteorológicos y los datos históricos de las dos centrales hidroeléctricas. El modelo clasifica y reordena estos parámetros para crear múltiples combinaciones hasta que realiza una selección digital de predictores. Es importante señalar que no necesariamente se utilizan todos los predictores ni se les da el mismo peso, sino que se utilizan los que resultan más precisos", explica Ahmed.
El modelo cambia según el período de tiempo. Uno que predice la descarga con 12 horas de antelación será diferente a uno que la predice con ocho, nueve o diez horas de antelación.
El modelo también cambia de un río a otro. Para probarlo, Ahmed realizó cálculos adicionales con datos tomados de los ríos Boise y Missouri en Estados Unidos.
"A medida que esta técnica madure, creemos que podremos utilizarla de forma operativa, donde la gente podrá consultar las estimaciones de descarga de los ríos en sus teléfonos, tal como lo hacen con un pronóstico del tiempo", dice Li. "En lugar de darles estimaciones de temperaturas o precipitaciones en algún momento en el futuro, podemos darles los niveles de agua".
Para Ahmed, quien está cursando estudios sobre preparación para la evacuación en caso de inundaciones, este modelo es sólo una de las herramientas que espera que las autoridades puedan utilizar antes de que se produzcan inundaciones desastrosas.
"Quiero que utilicen estos datos como insumo para sus modelos para áreas propensas a inundaciones", afirma. "Con esta herramienta, podemos ayudarles a predecir qué caminos estarán disponibles para la evacuación, lo que daría al sistema de transporte local planes de acción en tiempo real que pueden salvar vidas y propiedades".
La investigación se ha publicado en la revista Hydrology: Machine Learning Model for River Discharge Forecast: A Case Study of the Ottawa River in Canada
