La temporada de huracanes de 2025 se inaugurará oficialmente el 1 de junio, y se prevé que sea más activa que nunca, con tormentas potencialmente devastadoras que podrían causar inundaciones costeras peligrosas debido a la intensa lluvia y a las poderosas marejadas. En este contexto, la predicción de niveles extremos de agua, como los 15 pies de inundación que experimentaron los floridanos durante el huracán Helene en 2024, se torna crítica para salvaguardar vidas, hogares y ecosistemas.
Sin embargo, anticipar estos eventos catastróficos resulta complicado sin modelos computacionales complejos y costosos, algo que muchas áreas con recursos limitados no pueden soportar. Un estudio reciente publicado en Water Resources Research por el estudiante de ingeniería civil y ambiental Samuel Daramola, junto con su asesor David F. Muñoz y otros colaboradores, ha presentado un nuevo marco de aprendizaje profundo para predecir el aumento y la caída de los niveles de agua durante las tormentas, incluso en lugares donde los medidores de marea fallan o donde los datos son escasos. Este enfoque se basa en una técnica conocida como «aprendizaje por transferencia».
Un nuevo modelo para predecir inundaciones
El marco, denominado Modelos Aproximados de Estación de Memoria a Largo y Corto Plazo (LSTM-SAM), ofrece predicciones más rápidas y asequibles, permitiendo decisiones más inteligentes sobre cuándo evacuar, dónde colocar recursos de emergencia y cómo proteger la infraestructura ante la llegada de huracanes. Para los planificadores de emergencias, los gobiernos locales y los equipos de respuesta a desastres, esta herramienta podría ser un cambio radical y, fundamentalmente, salvar vidas.
La investigación se centra en la necesidad de predecir cuándo y dónde se producirán niveles de agua extremos, especialmente durante inundaciones compuestas, cuando múltiples fuentes de inundación, como la lluvia y la marejada, se combinan para intensificar el fenómeno. Los modelos convencionales, basados en la física, requieren información detallada sobre patrones climáticos, condiciones oceánicas y geografía local, lo que limita su uso a áreas con registros de datos a largo plazo y potentes computadoras.
Para superar estas limitaciones, el equipo de investigación desarrolló LSTM-SAM, un marco de aprendizaje profundo que analiza patrones de tormentas anteriores para predecir el aumento de los niveles de agua durante futuras tormentas. Lo que hace que este modelo sea especialmente útil es su capacidad para extrapolar datos de una área geográfica y aplicarlos a otra que no dispone de suficiente información local. De esta manera, se amplía el acceso a predicciones precisas de inundaciones.
Los investigadores han probado LSTM-SAM en estaciones de medidores de marea a lo largo de la costa atlántica de Estados Unidos, una región frecuentemente afectada por huracanes y otras tormentas importantes. Los resultados han mostrado que el modelo puede predecir con precisión el inicio, el pico y la disminución de los niveles de agua impulsados por tormentas. Incluso ha demostrado su eficacia al reconstruir los niveles de agua para estaciones dañadas por huracanes, como ocurrió en Sandy Hook, Nueva Jersey, durante el huracán Sandy en 2012.
De cara a la próxima temporada de huracanes, los investigadores planean utilizar el marco LSTM-SAM, permitiendo su prueba casi en tiempo real a medida que las tormentas se acercan. Además, han puesto a disposición el código en el repositorio de GitHub del CoRAL Lab, donde científicos, planificadores de emergencias y líderes gubernamentales pueden descargarlo de forma gratuita. Este programa opera en una computadora portátil en cuestión de minutos, lo que puede ser de gran ayuda para localidades pequeñas o regiones en países en desarrollo donde el acceso a herramientas informáticas avanzadas o a datos ambientales detallados es limitado.
Con la creciente frecuencia de eventos huracanados y su impacto socioeconómico, la necesidad de marcos de predicción de inundaciones fiables es de suma importancia. Herramientas avanzadas de aprendizaje profundo como LSTM-SAM podrían convertirse en esenciales para ayudar a las comunidades costeras a prepararse para un nuevo normal, abriendo la puerta a predicciones de inundaciones más inteligentes, rápidas y accesibles en relación con los ciclones tropicales.
