INVESTIGACIÓN
Inteligencia Artificial y métodos de simulación para predecir inundaciones en el Noroeste Argentino
Investigadores del Instituto de Automática (INAUT), dependiente de la UNSJ y CONICET, en colaboración con investigadores de España, Catamarca y Córdoba desarrollaron un sistema basado en Inteligencia Artificial y simulaciones de Monte Carlo para predecir inundaciones en el NOA. El modelo XGBoost permite anticipar crecidas con alta precisión a 20 años, ofreciendo una herramienta clave para la gestión de riesgos climáticos y la protección de la infraestructura regional.
El Instituto de Automática (INAUT), organismo de doble dependencia entre el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) y la Universidad Nacional de San Juan (UNSJ), colaboró en el desarollo de un marco de trabajo híbrido para mejorar la predicción de inundaciones repentinas en el Noroeste Argentino (NOA). Esta región, que comprende zonas de Catamarca, Córdoba y La Madrid, enfrenta desafíos críticos debido a su geografía compleja y a las precipitaciones altamente variables intensificadas por el cambio climático.
Los investigadores del equipo destacan que los modelos tradicionales suelen fallar ante lluvias no estacionarias. Por ello, el nuevo enfoque combina:
Métricas de divergencia estadística para detectar cambios en los patrones de lluvia.
-
Algoritmos de aprendizaje automático (Machine Learning) para identificar señales de alerta temprana.
-
Simulaciones de Monte Carlo para cuantificar la incertidumbre en los pronósticos a largo plazo.
El estudio utilizó datos históricos de más de cuatro décadas (1981-2024) provenientes de la NASA y estaciones locales. Tras evaluar diversos modelos, el algoritmo XGBoost demostró ser el más eficaz, logrando los niveles de error más bajos en comparación con métodos tradicionales y otras redes neuronales.
-
Precisión superior: XGBoost alcanzó un error cuadrático medio de solo 0.021(donde 0 es la perfección), superando ampliamente a los modelos paramétricos convencionales.
-
Simulaciones confiables: Mediante el método de Monte Carlo, el equipo generó proyecciones estables para horizontes de 5, 10 y hasta 20 años.
-
Análisis estacional: Los resultados indican que el verano presenta los mayores cambios en la distribución de lluvias, lo que permite orientar mejor los planes de contingencia.
¿Qué es XGBoost?
XGBoost (eXtreme Gradient Boosting) es un algoritmo avanzado de aprendizaje automático (Machine Learning). Imagine que, en lugar de confiar en un solo experto para predecir si habrá una inundación, consultamos a cientos de "pequeños expertos" (árboles de decisión).
Cada nuevo experto se enfoca exclusivamente en corregir los errores que cometió el anterior. Este proceso de "potenciación" (boosting) hace que el modelo final sea extremadamente robusto y capaz de detectar patrones complejos en el clima que otros sistemas ignorarían.
Impacto y colaboración institucional
Este avance científico no solo mejora la exactitud de los pronósticos, sino que proporciona información accionable para la gestión de riesgos y la planificación de infraestructura. La investigación subraya la importancia de la vinculación entre la ciencia y la comunidad para mitigar pérdidas humanas y económicas en zonas propensas a desastres naturales.
El proyecto contó con una estrecha colaboración entre el INAUT y destacadas instituciones globales:
-
Universitat Politècnica de Catalunya (España).
-
Cardiff Metropolitan University (Gales).
-
Universidad Nacional de Córdoba (Argentina).
-
Universidad Nacional de Catamarca (Argentina).
-
Universidad Nacional de Tucumán (Argentina).
-
Universidad de Málaga (España).