Innovadora IA para Predecir Inundaciones en la Costa de EE.UU.: El Proyecto SAM de Virginia Tech

Por Irene Sarabia Moreno, Huella Zero.

Dado que se anticipa que la temporada de huracanes sea más activa que nunca, causando tormentas potencialmente devastadoras, lluvias intensas y marejadas fuertes que incrementan el riesgo de inundaciones, los científicos se encuentran en la búsqueda de un nuevo marco de aprendizaje para adelantarse a los cambios en el nivel del agua.

El modelo, denominado Long Short-Term Memory Station Approximated Models (LSTM-SAM), brinda predicciones más rápidas y económicas, lo que permite tomar decisiones más inteligentes sobre cuándo evacuar, dónde colocar los recursos de emergencia y cómo proteger las infraestructuras ante la aproximación de huracanes.

Este proyecto es liderado por el estudiante de posgrado en ingeniería civil y medioambiental Samuel Daramola, junto al profesor David F. Muñoz, de Virginia Tech; con la colaboración de Siddharth Saksena, Jennifer Irish y Paul Muñoz, de la Vrije Universiteit Brussel en Bélgica.

La investigación, conocida como “SAM”, introduce un nuevo marco de aprendizaje profundo para predecir la variación del nivel del agua durante las tormentas, incluso en lugares donde los mareógrafos fallan o los datos son escasos, mediante una técnica llamada “aprendizaje por transferencia”.

Predecir cuándo y dónde se producirán incrementos en el nivel del agua es esencial para proteger a las comunidades vulnerables, sobre todo en inundaciones compuestas, cuando la lluvia y las mareas de tormenta se combinan e intensifican los desbordamientos.

La idea de usar aprendizaje profundo para la predicción de inundaciones proviene del profesor David Muñoz, quien durante su doctorado utilizó un modelo físico y datos de imágenes satelitales para mapear la inundación ocasionada por el huracán Matthew en Savannah, Georgia.

Lo que hace especialmente útil a este modelo es su capacidad para extrapolar datos de una zona geográfica y hacer predicciones en otra localidad con menos datos propios. Al aprovechar el conocimiento existente y aplicarlo localmente, la predicción precisa de inundaciones estará mucho más accesible.

Actualmente, los modelos que permiten prever inundaciones son sistemas numéricos avanzados como el Sistema de Análisis y Previsión de Huracanes (HAFS) de la NOAA.

El HAFS simula el comportamiento de los sistemas meteorológicos y pronostica la trayectoria e intensidad de los fenómenos que provocan inundaciones, como huracanes y tormentas tropicales. Además, utiliza diversas técnicas de observación, incluidos aviones cazahuracanes, sensores remotos y estaciones meteorológicas para recopilar datos sobre las condiciones atmosféricas y oceánicas.

La NOAA también desarrolla herramientas para mapear el riesgo de inundaciones costeras, aprovechando datos LIDAR y otros de alta resolución para identificar áreas vulnerables. Los modelos numéricos se alimentan de información de observación a través de sistemas de asimilación de datos, permitiendo que estos modelos se mantengan constantemente actualizados y ofrezcan pronósticos más precisos.

La primera prueba de SAM se llevó a cabo en la costa atlántica de Estados Unidos, utilizando datos disponibles de los sistemas físicos de predicción de inundaciones para entrenar el modelo de aprendizaje profundo.

SAM: una guía para los investigadores en todo el mundo

“Estamos viendo modelos de Bangladesh y África para hacer un benchmark e iniciar un reentrenamiento y transferencias de conocimiento, de manera que el modelo pueda predecir a nivel mundial”, explicó el Dr. Muñoz en una entrevista con Huella Zero.

Los investigadores planean usar el marco LSTM-SAM durante la temporada de huracanes, probándolo en tiempo real a medida que ocurren las tormentas. También han publicado el código en el repositorio de GitHub del Laboratorio CoRAL, donde científicos, planificadores de emergencias y responsables gubernamentales pueden descargarlo de forma gratuita.

El doctor Muñoz indicó que el siguiente paso en la investigación será incorporar la propagación de inundaciones y cómo ese nivel de agua se registra en toda la ciudad, usando un modelo de datos para comprender las dinámicas de la inundación.

“La hipótesis es que si un lugar A tiene las mismas características que un lugar B, podremos predecir el comportamiento a partir de eso. Si la distribución de datos es similar, es probable que funcione”, concluyó.

El profesor destacó que su intención es crear una guía para investigadores: “Esperamos desarrollar una guía para aquellos que no cuenten con datos sobre un lugar específico, para que puedan tener un sistema de predicción. Actualmente no existe una guía en este ámbito. Somos pioneros en este trabajo. Queremos compartir nuestros códigos para que la gente los utilice”, comentó.

El ingeniero civil explicó que el funcionamiento de SAM casi no tiene impacto en el medio ambiente, ya que está diseñado para operar incluso desde una laptop.

Sin embargo, planteó que uno de los desafíos podría estar en formar a las personas que deseen usarlo, para que comprendan los datos que reciben y cómo procesarlos para hacer interpretaciones adecuadas.

Adelantó que se publicará una tercera investigación con más datos para continuar perfeccionando el proyecto hasta lograr su exportación a nivel global.