Un modelo de IA podría anticipar el desarrollo de inundaciones repentinas: cómo funciona

La inteligencia artificial dejó de ser una herramienta limitada a los laboratorios tecnológicos.

Sus sistemas intervienen en tareas cotidianas, organizan información, automatizan procesos y amplían capacidades en áreas como la medicina, la industria, la educación, el transporte y la investigación científica.

También comienza a aplicarse en problemas vinculados con el clima , donde anticipar cambios rápidos puede resultar decisivo.

En ese campo, un equipo de la Penn State University desarrolló un modelo destinado a estimar, hora por hora, el riesgo de inundaciones repentinas .

La propuesta adapta un método de IA utilizado para crear imágenes y busca reconocer con mayor precisión los aumentos súbitos del caudal de los ríos, que pueden aparecer y desaparecer en poco tiempo.

Un modelo de IA estimará inundaciones repentinas El trabajo fue detallado en un estudio publicado en la revista Water Resources Research .

Allí, los investigadores presentaron h-Diffusion , un modelo de difusión, una técnica de inteligencia artificial que aprende a eliminar información aleatoria para reconstruir patrones reconocibles a partir de datos complejos .

En la generación de imágenes, este sistema puede partir de una imagen con ruido, es decir, con información visual alterada, y recuperar una versión coherente.

El equipo trasladó ese principio al pronóstico de inundaciones: en vez de reconstruir una fotografía, el modelo analiza registros de lluvia y caudal para estimar cómo variará el agua de un río durante las siguientes horas .

La escala temporal es central para el problema.

Las inundaciones repentinas pueden provocar picos de caudal muy altos en pocas horas, aunque el promedio diario no parezca excepcional.

“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 ”, afirmó Chaopeng Shen, autor principal y profesor de ingeniería civil y ambiental en un comunicado de Penn State .

Para entrenar h-Diffusion , el grupo utilizó registros horarios de caudal de 516 cuencas fluviales de Estados Unidos recopilados entre 1990 y 2003.

Luego, probó el sistema con datos de un período posterior, comprendido entre 2009 y 2014, que el modelo no había utilizado durante su aprendizaje.