Los huracanes son considerados los desastres naturales más destructivos en Estados Unidos, generando más muertes y daños a la propiedad que cualquier otro tipo de calamidad. Desde 1980, estos poderosos fenómenos tropicales han causado más de 1,5 billones de dólares en daños y han cobrado la vida de más de 7.000 personas.
La principal causa de los daños y fallecimientos derivados de los huracanes es la marea de tormenta. Este fenómeno se produce por un aumento en el nivel del agua del océano, provocado por una combinación de vientos intensos que empujan el agua hacia la costa y la presión atmosférica reducida dentro del huracán en comparación con la presión exterior. Además, las olas que rompen cerca de la costa contribuyen al aumento del nivel del mar, un fenómeno conocido como ‘configuración de olas’, que puede ser un componente crucial de la marea de tormenta.
Las predicciones precisas de la marea de tormenta son fundamentales para proporcionar a los residentes costeros el tiempo necesario para evacuar y a los servicios de emergencia el tiempo suficiente para prepararse. Sin embargo, las previsiones de marea de tormenta a alta resolución pueden ser lentas y complejas.
El pronóstico de la marea de tormenta en la actualidad
Los pronósticos operativos de marea de tormenta actualmente se basan en modelos hidrodinámicos, que se fundamentan en la física del flujo del agua. Estos modelos utilizan las condiciones ambientales actuales, como la velocidad y dirección del viento, el movimiento del huracán hacia la costa, el momento de la marea y la forma del lecho marino y el paisaje costero, para calcular la altura proyectada de la marea y determinar qué localidades están más en riesgo.
En las últimas décadas, los modelos hidrodinámicos han mejorado significativamente, y la potencia de los ordenadores ha permitido realizar simulaciones rápidas a baja resolución en áreas muy amplias. No obstante, las simulaciones a alta resolución que ofrecen detalles a nivel de vecindario pueden tardar varias horas en completarse. Estos plazos pueden ser críticos para que las comunidades en riesgo logren evacuar de forma segura y para que los equipos de emergencia se preparen adecuadamente.
Para pronosticar la marea de tormenta en una amplia área, los modeladores dividen el área objetivo en muchas piezas pequeñas que juntas forman una cuadrícula computacional. Cuanto más pequeñas son las celdas de la cuadrícula, mayor es la resolución y más precisa es la previsión. Sin embargo, crear muchas celdas pequeñas en una gran área requiere mayor potencia de computación, lo que hace que el pronóstico de la marea de tormenta sea más lento.
Los pronosticadores pueden utilizar cuadrículas computacionales de baja resolución para acelerar el proceso, pero esto reduce la precisión, lo que deja a las comunidades con más incertidumbre sobre su riesgo de inundación. Aquí es donde la inteligencia artificial (IA) puede intervenir para acelerar el proceso.
El papel de la inteligencia artificial en la mejora de los pronósticos
Existen dos fuentes principales de incertidumbre en las predicciones de marea de tormenta. Una de ellas está relacionada con los datos que se introducen en el modelo computacional. La trayectoria del huracán y el campo de viento que determinan dónde tocará tierra y cuán intensa será la marea siguen siendo difíciles de predecir con precisión más allá de unos pocos días. Además, los cambios en la costa y el lecho marino, como el dragado de canales o la pérdida de humedales, manglares o dunas de arena, pueden afectar la resistencia que enfrentará la marea de tormenta.
La segunda incertidumbre involucra la resolución de la cuadrícula computacional, sobre la cual se resuelven las ecuaciones matemáticas del movimiento de la marea y las olas. La resolución determina cómo el modelo percibe los cambios en la elevación del paisaje y la cobertura del terreno, así como la precisión con la que se resuelven las físicas de la marea y las olas del huracán.
Modelos de IA pueden generar predicciones detalladas de manera más rápida. Por ejemplo, ingenieros y científicos han desarrollado modelos de IA basados en redes neuronales profundas que pueden predecir los niveles de agua a lo largo de la costa de forma rápida y precisa utilizando datos sobre el campo de viento. En algunos casos, estos modelos han demostrado ser más precisos que los modelos hidrodinámicos tradicionales.
La IA también puede generar pronósticos para áreas con pocos datos históricos, o utilizarse para comprender condiciones extremas que podrían no haberse presentado antes. Para estos pronósticos, los modelos basados en la física pueden generar datos sintéticos para entrenar a la IA en escenarios que podrían ser posibles, pero que no han ocurrido realmente. Una vez que un modelo de IA se entrena con datos tanto históricos como sintéticos, puede generar rápidamente pronósticos de marea utilizando detalles sobre el viento y la presión atmosférica.
El entrenamiento de la IA con datos de modelos hidrodinámicos también puede mejorar su capacidad para generar rápidamente mapas de riesgo de inundación que muestren qué calles o casas podrían inundarse en eventos extremos que pueden no tener un precedente histórico, pero que podrían ocurrir en el futuro.
La IA ya se está utilizando en pronósticos operativos de marea de tormenta de manera limitada, principalmente para complementar los modelos basados en la física que se utilizan comúnmente. Además de mejorar esos métodos, equipos de investigación han estado desarrollando formas de utilizar la IA para la predicción de marea de tormenta utilizando datos observados, evaluando los daños después de los huracanes y procesando imágenes de cámaras para deducir la intensidad de las inundaciones. Esto puede llenar un vacío crítico en los datos necesarios para validar los modelos de marea de tormenta a niveles granulares.
A medida que los modelos de inteligencia artificial se integran rápidamente en todos los aspectos de nuestras vidas y más datos se vuelven disponibles para entrenarlos, la tecnología ofrece el potencial de mejorar la previsión de huracanes y mareas de tormenta en el futuro, proporcionando a las comunidades costeras advertencias más rápidas y detalladas sobre los riesgos que se avecinan.
