Las inundaciones extremas recientes en California sorprendieron a muchos conductores, y costaron vidas.
Un hidrólogo ha contribuido al desarrollo de un nuevo método de aprendizaje automático para predecir mejor dónde y cuándo llegarán las inundaciones.
El método puede crear modelos locales de peligro de inundación que permiten identificar las condiciones calle por calle, utilizando previsiones de tormentas en tiempo real.
A medida que la crisis climática aumenta la intensidad de las lluvias, los riesgos de inundación aumentarán, lo que hace aún más importante la necesidad de la previsión de inundaciones, afirma.
Las inundaciones extremas y los deslizamientos de lodo en California en las últimas semanas sorprendieron a muchos conductores. Los socavones se tragaron automóviles, las autopistas se convirtieron en ríos de agua de rápido caudal y barrios enteros fueron evacuados. Al menos 20 personas murieron en las tormentas, varias de ellas tras quedar atrapadas en sus coches en aguas torrentosas.
Mientras consultaba las previsiones en las aplicaciones meteorológicas de mi teléfono móvil durante las semanas de tormentas de principios de enero de 2023, me pregunté si las personas que estaban en medio de los aguaceros utilizaban una tecnología similar para decidir si salir de sus casas y determinar qué rutas eran más seguras. ¿Consideraban que era suficiente?
Soy hidrólogo y a veces trabajo en zonas remotas, por lo que interpretar los datos meteorológicos y la incertidumbre de las previsiones forma siempre parte de mi planificación. Como alguien que en una ocasión estuvo a punto de ahogarse al cruzar un río inundado por un lugar en el que no debía, también soy muy consciente de la extrema vulnerabilidad humana que surge cuando no se sabe con exactitud dónde y cuándo golpeará una inundación.
Alrededor de dos tercios de las muertes relacionadas con inundaciones en EE. UU. se clasifican como “conducción” y “en el agua.” Si las personas hubieran conocido en tiempo real la probabilidad de inundación en esos lugares, a través de una aplicación para teléfono móvil o un sitio web, es posible que algunas de estas muertes se hubieran podido evitar.
Sin embargo, incluso el personal de gestión de emergencias trabaja actualmente con muy poca información sobre cuándo y dónde es probable que golpeen las inundaciones. Saben dónde pueden producirse inundaciones, especialmente a lo largo de los ríos. Pero cada inundación es diferente, y las preguntas clave, como qué carreteras pueden utilizarse con seguridad y qué poblaciones están expuestas, siguen requiriendo observación directa.
He trabajado con colegas para desarrollar un método que sortea los obstáculos actuales para este tipo de previsión. Utilizando el “aprendizaje probabilístico” –un tipo de aprendizaje automático–, el método puede crear modelos locales de peligro de inundación que permiten identificar las condiciones calle por calle, utilizando previsiones de tormentas en tiempo real.
El desafío de la previsión de inundaciones
Los programas informáticos que pueden predecir lo que ocurre con el agua de lluvia después de tocar el suelo son las herramientas definitivas para predecir en tiempo real dónde y cuándo se producirán las inundaciones.
Sin embargo, dichos modelos de inundación requieren cantidades inmensas de potencia de cálculo. Actualmente no existe ningún medio para predecir rápidamente las inundaciones en tiempo real en cualquier lugar. El nivel de detalle relevante para las decisiones humanas, que incluye edificios, rutas de evacuación o infraestructuras, está fuera de alcance.
Un segundo desafío es la alta incertidumbre en las previsiones de precipitaciones y en muchos otros datos de entrada de los modelos de inundación.
Las investigaciones de las últimas décadas exploraron las posibilidades de resolver estos formidables desafíos mediante enfoques de “fuerza bruta”: ordenadores más rápidos y más ordenadores. En última instancia, sugiere la necesidad de replantear la forma en que pronosticamos las inundaciones.
Diseño de previsiones locales eficaces de inundaciones
El enfoque que hemos desarrollado aborda estos desafíos mediante el uso de un modelo de inundación sofisticado para desarrollar y entrenar modelos más sencillos que puedan imitar el comportamiento de las inundaciones en entornos locales con un nivel de precisión casi igual al de su más potente “maestro”. Lo más importante es que hemos demostrado en estudios que incluso un ordenador personal puede utilizar después estos modelos más sencillos para prever inundaciones en tiempo real. Quizás incluso un teléfono móvil.
Para prever las inundaciones, es necesario predecir cómo se inician y evolucionan en las comunidades urbanas, con un alto nivel de detalle y una comprensión de los límites de incertidumbre en torno a la predicción.
Nuestro enfoque se basa en información clave que muchas ciudades ya poseen: datos detallados sobre la topografía de sus comunidades y de la cuenca hidrográfica circundante, el uso del suelo, la disposición de edificios y carreteras, y las características de los sumideros y tuberías de aguas pluviales, como la cantidad de agua que pueden transportar. El pavimento y la infraestructura obsoleta de aguas pluviales, en particular, pueden afectar a la forma en que fluye el agua y a las zonas que se inundan en un entorno urbano.
A continuación, utilizamos uno de los modelos de inundación más actualizados y sofisticados disponibles para entrenar modelos más sencillos.
Estos modelos más sencillos son más rápidos y requieren mucha menos potencia de cálculo porque utilizan funciones extremadamente simples, y cada uno se centra en una sola variable en un lugar y momento determinados, como, por ejemplo, el nivel de inundación o la velocidad del flujo de agua. Miles de ellos pueden ofrecer una imagen notablemente precisa de las posibles inundaciones cuando se añade información de previsión meteorológica en tiempo real.
El punto crucial es que estos modelos más sencillos se desarrollan en el “tiempo de calma”, mucho antes de las tormentas. Estos análisis pueden realizarse utilizando un conjunto de herramientas de libre acceso desarrollado por el Departamento de Energía.
Este enfoque sustituye la carga de cálculo casi imposible en tiempo real por la tarea más sencilla de utilizar modelos simples y previamente entrenados de la comunidad local.
Hemos demostrado el enfoque en un estudio que utilizó las inundaciones de 2017 en Houston causadas por el huracán Harvey. Los resultados demostraron que un problema computacional que, de otro modo, tardaría años en ejecutarse en un ordenador típico, puede resolverse en apenas unos segundos con un nivel de precisión comparable.
Mirando hacia el futuro
A medida que el calentamiento global aumenta la intensidad de las lluvias y la población crece, los riesgos de inundación aumentarán. Otro problema cada vez más reconocido es que las normas de gestión de las aguas pluviales de las comunidades están basadas en el clima del pasado. Los sumideros y tuberías existentes simplemente no pueden gestionar el agua adicional, lo que aumenta los costes de los daños por inundaciones.
Aunque se necesita seguir trabajando para poder aplicarlo de forma generalizada, creemos que el método abre vías para que la previsión de inundaciones sea más pertinente, detallada y precisa. También ofrece los medios para evaluar la idoneidad de la infraestructura de aguas pluviales existente y puede adaptarse para evaluar el impacto de otros riesgos naturales difíciles de cuantificar, como los deslizamientos de tierra y los incendios.
Las ciudades con valores inmobiliarios elevados es probable que vean aumentar los servicios de previsión de inundaciones del sector privado. Sin embargo, las agencias gubernamentales podrían utilizar este tipo de modelización novedosa para ampliar su misión de previsión y ayudar a todos. Cabría imaginar que los condados, con las competencias y los recursos adecuados, proporcionen previsiones locales de inundaciones. Si no son las comunidades locales, ¿quién está más interesada en la gestión eficaz de la respuesta ante inundaciones y en su mitigación?
¿Qué está haciendo el Foro Económico Mundial en materia de soluciones climáticas naturales?
El mundo se enfrenta a crisis ambientales convergentes: la destrucción acelerada de la naturaleza y el cambio climático.
Las soluciones climáticas naturales (NCS, por sus siglas en inglés): inversión en programas de conservación y gestión de tierras que aumentan el almacenamiento de carbono y reducen las emisiones de carbono, ofrecen una vía importante para abordar ambas crisis y generan beneficios ambientales y sociales adicionales.
La investigación realizada para el informe del Foro Naturaleza y cero neto confirma las estimaciones de que las NCS pueden aportar un tercio de la mitigación climática necesaria para alcanzar una trayectoria de 1,5 °C y 2 °C para 2030, y a un coste inferior al de otras formas de eliminación de dióxido de carbono. Este informe se basa en las recomendaciones de la Fuerza de Tarea para el Escalamiento de los Mercados Voluntarios de Carbono, e identifica seis acciones para acelerar la ampliación de las NCS de alta calidad y desbloquear los mercados mediante los esfuerzos combinados de líderes empresariales, responsables políticos y la sociedad civil.
Para fomentar la colaboración, en 2019 el Foro y el Consejo Empresarial Mundial para el Desarrollo Sostenible se unieron para establecer la Alianza para las Soluciones Climáticas Naturales con el fin de reunir a partes interesadas públicas y privadas para identificar oportunidades y obstáculos a la inversión en NCS.
Las organizaciones miembros de la Alianza NCS aportaron conocimientos especializados para elaborar Soluciones Climáticas Naturales para Empresas, una guía de alto nivel sobre el uso fiable de los créditos NCS por parte de las empresas.
Póngase en contacto para unirse a nuestra misión de liberar el poder de la naturaleza.
