La inteligencia artificial y su papel en la predicción de desastres naturales
En la era de la digitalización, la inteligencia artificial (IA) se ha convertido en una herramienta poderosa con aplicaciones que van desde la identificación de tumores hasta la optimización de procesos industriales. Sin embargo, su capacidad se ve notablemente limitada ante fenómenos adversos como las inundaciones, que, después de los terremotos y tsunamis, son las catástrofes más dañinas. Según la base de datos mundial sobre desastres naturales de la Universidad Católica de Lovaina, en dos décadas, las inundaciones han afectado a 2.500 millones de personas, cobrado la vida de un cuarto de millón y causado daños de 936.000 millones de dólares. Pese a los esfuerzos de gigantes tecnológicos y diversas instituciones, los desarrollos predictivos para mitigar sus efectos aún no son efectivos. ¿Cuál es la razón detrás de esta limitación?
Los retos de los modelos climáticos existentes
Según Dim Coumou, experto en climatología de la Universidad de Ámsterdam, los actuales modelos climáticos no son adecuados para ciertos fenómenos meteorológicos extremos, que están aumentando más rápido de lo que predicen los modelos. «Es crucial pronosticar los extremos para implementar alertas tempranas», señala. Uno de los desafíos para mejorar los pronósticos es la calidad y cantidad de información disponible para entrenar la inteligencia artificial. Aunque hay datos acumulados por décadas, estos pueden no ser relevantes para comprender los fenómenos más adversos. «Los eventos extremos son, por definición, raros. Esto representa un gran obstáculo si se quieren utilizar métodos de inteligencia artificial», explica Coumou en Horizon.
La IA ofrece resultados basados en el análisis de grandes cantidades de datos. Puede identificar un tumor en una imagen si tiene miles más para comparar y estas son de alta calidad. «La IA necesita grandes cantidades de datos de alta calidad para ser útil para la ciencia, y las bases de datos con este tipo de datos son escasas», advierte David Baker, reciente Nobel de Química.
La complejidad de los fenómenos meteorológicos
Además de la falta de datos, predecir con exactitud fenómenos meteorológicos complejos como una dana (depresión aislada en niveles altos) es un desafío. Estas ocasionan fuertes lluvias y tormentas que pueden ser localizadas y variables en intensidad. Su comportamiento errático depende de múltiples factores como la temperatura, humedad, presión, vientos, orografía y la interacción con otros elementos geográficos y atmosféricos.
Incluso con datos anticipados, no se garantiza un patrón preciso. «Las tormentas intensas no provocan daños automáticamente. Hay muchos otros factores en juego», señala Kevin Collins, profesor de Medio Ambiente y Sistemas de Open University. Los profesores Víctor Resco de Dios y Domingo Molina de la Universidad de Lleida coinciden: «No basta con saber cuánto y dónde va a llover; también necesitamos establecer cómo esa lluvia se transformará en riadas y cuáles serán las zonas potencialmente afectadas», escriben en The Conversation.
La importancia de la anticipación
La variabilidad de los factores, la escasez de datos específicos y su heterogénea calidad limitan a la IA para identificar patrones y generar mecanismos de prevención y alerta. Un sistema con capacidad de antelación de 24 horas «reduciría los daños en un 30%», según la Comisión Mundial de Adaptación. Esto es vital, ya que los daños anuales se elevan a 143.000 millones de dólares, según un estudio en Nature Communications.
Geon-Wook Hwang, del Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción, subraya que un pronóstico, aunque preciso, no tiene valor si no llega a tiempo para reducir significativamente las víctimas y daños. A pesar de las dificultades, gigantes tecnológicos como Google e IBM, en colaboración con la NASA y otras instituciones mundiales, trabajan en el desarrollo de herramientas de inteligencia artificial para mejorar las predicciones y sistemas de alerta temprana.
Avances tecnológicos en la predicción del clima
Google DeepMind ha presentado en Science un modelo de pronóstico del tiempo basado en aprendizaje automático que ofrece predicciones a 10 días «mejores, más rápidas y más accesibles». El modelo, llamado GraphCast, superó a los sistemas tradicionales en el 90% de los casos. Este sistema se basa en el Centro Europeo de Previsiones Meteorológicas a Medio Plazo, que utiliza una supercomputadora con una potencia de 30 petaflops. GraphCast, sin embargo, no requiere estas capacidades y utiliza datos históricos para ofrecer pronósticos de 10 días en menos de un minuto.
Por su parte, IBM, en colaboración con la NASA, también apuesta por el aprendizaje automático. «Los modelos fundacionales de IA que utilizan datos geoespaciales pueden cambiar las reglas del juego, permitiéndonos comprender mejor los fenómenos climáticos», explica Alessandro Curioni, vicepresidente de Accelerated Discovery en IBM. Para Kate Royse, directora del centro británico de supercomputación Hartree, estos modelos permitirían decisiones más inteligentes en la planificación futura de las ciudades.
Andrew Charlton-Pérez, profesor de meteorología en la Universidad de Reading, considera que «un buen uso de los pronósticos meteorológicos basados en IA sería complementar y mejorar nuestras herramientas de predicción, permitiéndonos evaluar e interpretar con precisión la probabilidad de eventos extremos».
Además, dos centros del consorcio científico alemán Helmholtz han desarrollado un modelo que combina previsiones de precipitación con datos sobre la humedad del suelo y caudales, para pronosticar zonas y profundidades de inundación, así como el impacto en infraestructuras críticas. «Las autoridades no solo tendrán información sobre un posible nivel de agua, sino también un mapa de inundación que muestra los impactos», concluye Sergiy Vorogushyn, hidrólogo del Centro Alemán de Investigación en Geociencias.
artículo original de: https://elpais.com/tecnologia/2024-11-07/por-que-la-ia-es-incapaz-de-predecir-inundaciones-como-las-causadas-por-la-dana-en-valencia-con-antelacion-suficiente.html