Cómo la IA puede generar pronósticos detallados de marejadas ciclónicas más rápido y salvar vidas

Los huracanes son los peligros naturales más destructivos de Estados Unidos, causando más muertes y daños materiales que cualquier otro tipo de desastre. Desde 1980, estas poderosas tormentas tropicales han causado daños por más de 1.5 billones de dólares y han causado la muerte de más de 7,000 personas.

La principal causa de daños y muertes por huracanes son las marejadas ciclónicas.

Una marejada ciclónica es el aumento del nivel del agua del océano, causado por una combinación de fuertes vientos que empujan el agua hacia la costa y una menor presión atmosférica dentro del huracán en comparación con la presión exterior. Además de estos factores, las olas que rompen cerca de la costa provocan un aumento del nivel del mar cerca de la costa, un fenómeno que llamamos formación de olas, que puede ser un componente importante de la marejada ciclónica.

Las predicciones precisas de la marejada ciclónica son fundamentales para que los residentes costeros tengan tiempo de evacuar y para que los servicios de emergencia se preparen. Sin embargo, los pronósticos de marejada ciclónica de alta resolución pueden ser lentos.

Como ingeniero costero, estudio cómo la marejada ciclónica y las olas interactúan con las características naturales y artificiales del fondo oceánico y la costa, y las maneras de mitigar su impacto. He utilizado modelos basados ​​en la física para inundaciones costeras y recientemente he estado explorando cómo la inteligencia artificial puede mejorar la velocidad del pronóstico de la marejada ciclónica.

Cómo se pronostica la marejada ciclónica actualmente

Hoy en día, los pronósticos operativos de marejadas ciclónicas se basan en modelos hidrodinámicos, que se basan en la física del flujo del agua.

Estos modelos utilizan las condiciones ambientales actuales —como la velocidad a la que la tormenta se acerca a la costa, la velocidad y dirección del viento, el momento de la marea y la forma del fondo marino y el paisaje— para calcular la altura proyectada de la marejada y determinar las ubicaciones con mayor riesgo.

Los modelos hidrodinámicos han mejorado sustancialmente en las últimas décadas, y las computadoras se han vuelto mucho más potentes, lo que permite realizar simulaciones rápidas de baja resolución en áreas muy extensas. Sin embargo, la simulación de alta resolución que proporciona detalles a nivel de barrio puede tardar varias horas en ejecutarse.

Esas horas pueden ser cruciales para que las comunidades en riesgo evacuen de forma segura y para que los servicios de emergencia se preparen adecuadamente. Para pronosticar marejadas ciclónicas en un área extensa, los modeladores dividen el área objetivo en muchas partes pequeñas que, juntas, forman una cuadrícula o malla computacional. Imagine píxeles en una imagen. Cuanto más pequeñas sean las partes de la cuadrícula, o celdas, mayor será la resolución y más preciso será el pronóstico. Sin embargo, crear muchas celdas pequeñas en un área extensa requiere mayor potencia de procesamiento, por lo que pronosticar marejadas ciclónicas lleva más tiempo.

Los pronosticadores pueden usar cuadrículas computacionales de baja resolución para acelerar el proceso, pero esto reduce la precisión, generando mayor incertidumbre en las comunidades sobre su riesgo de inundación.

La IA puede ayudar a acelerar este proceso.

Cómo la IA puede crear mejores pronósticos

Existen dos fuentes principales de incertidumbre en las predicciones de marejadas ciclónicas.

Una se relaciona con los datos que se introducen en el modelo computacional. La trayectoria de un huracán y el campo de vientos, que determinan dónde tocará tierra y la intensidad de la marejada, siguen siendo difíciles de pronosticar con precisión con más de unos pocos días de anticipación. Los cambios en la costa y el lecho marino, como los provocados por el dragado de canales o la pérdida de marismas, manglares o dunas de arena, pueden afectar la resistencia que enfrentará la marejada ciclónica.

La segunda incertidumbre se refiere a la resolución de la malla computacional, sobre la cual se resuelven las ecuaciones matemáticas de la marejada y el movimiento de las olas. La resolución determina la precisión con la que el modelo detecta y tiene en cuenta los cambios en la elevación del paisaje y la cobertura terrestre, así como la granularidad con la que se resuelve la física de la marejada y las olas de un huracán.

Los modelos de IA pueden generar predicciones detalladas con mayor rapidez. 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 con rapidez y precisión utilizando datos sobre el campo de viento. En algunos casos, estos modelos han sido más precisos que los modelos hidrodinámicos tradicionales.

La IA también puede desarrollar pronósticos para zonas con escasos datos históricos o utilizarse para comprender condiciones extremas que podrían no haberse presentado allí antes.

Para estos pronósticos, se pueden utilizar modelos basados ​​en la física para generar datos sintéticos y entrenar la IA en escenarios que podrían ser posibles, pero que no se han materializado. Una vez que un modelo de IA se entrena con datos históricos y sintéticos, puede generar rápidamente pronósticos de marejadas utilizando detalles sobre el viento y la presión atmosférica.

Entrenar 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 son propensas a inundarse en eventos extremos que, aunque no tengan precedentes históricos, podrían ocurrir en el futuro.

El futuro de la IA para el pronóstico de huracanes

La IA ya se utiliza en pronósticos operativos de marejadas ciclónicas de forma limitada, principalmente para complementar los modelos basados ​​en la física de uso común.

Además de mejorar estos métodos, mi equipo y otros investigadores han estado desarrollando maneras de usar la IA para predecir marejadas ciclónicas utilizando datos observados, evaluando los daños después de 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 marejadas ciclónicas a niveles granulares.

A medida que los modelos de inteligencia artificial se extienden rápidamente a todos los aspectos de nuestra vida y se dispone de más datos para entrenarlos, la tecnología ofrece el potencial de mejorar la predicción de huracanes y marejadas ciclónicas en el futuro, brindando a las comunidades costeras advertencias más rápidas y detalladas sobre los riesgos que se avecinan.

Navid Tahvildari es profesor asociado de ingeniería civil y ambiental en la Universidad Internacional de Florida.

Este artículo se publicó originalmente en The Conversation bajo una licencia Creative Commons. Lee el artículo original.