MADRID, 21 Mar. (Portaltic/EP) -
El equipo Google Research ha señalado que, gracias al uso de su solución de previsión de inundaciones impulsada por Inteligencia Artificial (IA) Flood Hub, se pueden proporcionar pronósticos fluviales en tiempo real con un promedio de cinco días de antelación y en más de 80 países.
Los investigadores de esta división de Google han publicado un artículo en la revista científica Nature, firmado por el vicepresidente de Ingeniería e Investigación, Yossi Matias, y el investigador científico de Google Research Grey Nearing, en el que evalúan la utilidad de esta tecnología entrenada con conjuntos de datos públicos y abiertos y cómo se puede emplear para mejorar el acceso global a los pronósticos de situaciones extremas en los ríos de todo el mundo.
En este sentido, han subrayado que las inundaciones se encuentran entre los desastres naturales más comunes, "con un impacto desproporcionado en los países en desarrollo que a menudo carecen de redes densas de medición de caudales", esto es, los más desfavorecidos.
En esta situación, las alertas precisas y oportunas son "fundamentales" para mitigar los riesgos de inundaciones, por lo que el uso de la IA "logra fiabilidad en la predicción de eventos fluviales extremos y puede proporcionar advertencias anticipadas de inundaciones", según el artículo.
De esta manera, Google Research ha demostrado cómo las tecnologías de aprendizaje automático ('machine learning' o ML) pueden mejorar de forma significativa el pronóstico de inundaciones a escala global y, más concretamente, cómo trabaja su herramienta Flood Hub.
FloodHub es una solución impulsada por IA y que permite pronosticar inundaciones fluviales. Con esta herramienta, la compañía tecnológica confía en contribuir a la seguridad de las personas ante el aumento de la frecuencia e intensidad de las catástrofes naturales debidas al cambio climático.
En primer lugar, los autores han reconocido que, si bien predijo con éxito algunas inundaciones con siete días de antelación en más de 80 países, el promedio fue de alrededor de cinco días, aunque ha mejorado los pronósticos en las regiones de África y Asia para que se asemejen a los disponibles actualmente en Europa.
Los modelos de aprendizaje automático que impulsan Flood Hub son el producto de muchos años de investigación. Fue en 2018 cuando lanzó un sistema piloto de alerta temprana en la cuenca del río Ganges-Brahmaputra (India), con la hipótesis de que el 'machine learning' podía ayudar a abordar este sistema de predicciones. El piloto se amplió en 2019 mediante la combinación de un modelo de inundación, mediciones del nivel del agua en tiempo real, la creación de un mapa de elevación y modelado hidrológico.
Tras trabajar con investigadores de instituciones como el Instituto JKU de Aprendizaje Automático (Austria) y la Universidad de Yale (Estados Unidos), se determinó que era posible abordar esta problemática al entrenar un modelo único con todos los datos fluviales disponibles y aplicarlo a cuentas hidrográficas de las que no se conocen datos. De este modo, "los modelos se pueden entrenar globalmente y pueden hacer predicciones para cualquier ubicación", han aclarado.
El modelo de IA de Google está fundado en redes neuronales a largo plazo (LTSM, por sus siglas en inglés), que se aplican de manera secuencial. El primero de ellas o 'hindcast' ingiere datos meteorológicos históricos hasta el momento presente, mientras que el segundo ingiere datos meteorológicos pronosticados para hacer predicciones futuras.
A continuación, se introduce un año de datos meteorológicos históricos en la LSTM de 'hindcast', mientras que en la LSTM de previsión se incluyen 7 días de datos meteorológico previstos. La combinación de esta información permite al modelo "aprender diferentes comportamientos hidrológicos y respuestas en varios tipos de cuencas hidrográficas", ha comentado la firma.
Por su parte, Nature ha concluido que utilizando IA y conjuntos de datos abiertos es posible mejorar significativamente la predicción de inundacioes o eventos fluviales extremos a corto plazo; y ha abogado por compartir las previsiones en tiempo real y de forma pública "sin costes ni barreras de acceso".
