Por Irene Sarabia Moreno, Huella Zero.
Debido a que se espera que la temporada de huracanes sea más activa que nunca, provocando tormentas potencialmente devastadoras, lluvias intensas y potentes marejadas que incrementan el riesgo de inundaciones, los científicos trabajan en el desarrollo de un nuevo marco de aprendizaje para adelantarse a las subidas y bajadas del nivel del agua.
El modelo, denominado Long Short-Term Memory Station Approximated Models (LSTM-SAM), ofrece predicciones más rápidas y asequibles que permiten tomar decisiones más inteligentes sobre cuándo evacuar, dónde colocar los recursos de emergencia y cómo proteger las infraestructuras cuando se acercan los huracanes.
Detrás de este proyecto está el estudiante de posgrado de ingeniería civil y medioambiental Samuel Daramola, junto con el profesor David F. Muñoz, de Virginia Tech; con la colaboración de Siddharth Saksena, Jennifer Irish y Paul Muñoz, de la Vrije Universiteit Brussel de Bélgica.
La investigación es conocida como “SAM” e introduce un nuevo marco de aprendizaje profundo para predecir la subida y bajada del nivel del agua durante las tormentas -incluso en lugares donde los mareógrafos fallan o los datos son escasos- mediante una técnica conocida como “aprendizaje por transferencia”.
Predecir cuándo y dónde se producirá un incremento en el nivel del agua es vital para proteger a las comunidades vulnerables, especialmente durante las inundaciones compuestas, cuando la lluvia y las mareas de tormenta se combinan e intensifican las inundaciones.
La idea de usar deep learning para predecir inundaciones proviene del profesor David Muñoz, de Virginia Tech, quien durante su doctorado utilizó un modelo físico e imágenes satelitales para mapear la inundación causada por el huracán Matthew en la ciudad de Savannah, Georgia.
Lo que hace especialmente útil a este modelo es su capacidad de extrapolar los datos de una zona geográfica para hacer predicciones en otra localidad que no disponga de muchos datos propios. Al tomar prestado el conocimiento y aplicarlo localmente, hace que la predicción precisa de inundaciones esté más ampliamente disponible.
En la actualidad, los modelos que permiten prever las inundaciones son modelos de sistemas numéricos avanzados como el Sistema de Análisis y Previsión de Huracanes (HAFS) de la NOAA.
El HAFS simula el comportamiento de los sistemas meteorológicos y predice la trayectoria e intensidad de los fenómenos que causan inundaciones, como huracanes y tormentas tropicales. Además, emplea diversas técnicas de observación, como el uso de aviones cazahuracanes, sensores remotos y estaciones meteorológicas para recopilar datos sobre las condiciones atmosféricas y oceánicas.
La NOAA también desarrolla herramientas para mapear el riesgo de inundaciones costeras, utilizando datos LIDAR y otros de alta resolución para identificar áreas vulnerables. Los modelos numéricos se alimentan con información de observación a través de sistemas de asimilación de datos, lo que permite que los modelos se actualicen constantemente y proporcionen pronósticos más precisos.
La primera prueba de SAM se realizó en la costa del Atlántico de Estados Unidos y se usaron datos disponibles de los sistemas físicos de predicción de inundaciones para entrenar al modelo de deep learning.
SAM: una guía para los investigadores en todo el mundo
“Estamos viendo modelos de Bangladesh y África para hacer un benchmark e iniciar un reentrenamiento y transferencias de conocimiento para que el modelo pueda predecir en todo el mundo”, explicó el Dr. Muñoz durante una entrevista con Huella Zero.
Los investigadores planean utilizar el marco LSTM-SAM durante la temporada de huracanes, en la que podrán probarlo mientras las tormentas ocurren. También han publicado el código en el repositorio GitHub del Laboratorio CoRAL, donde científicos, planificadores de emergencias y responsables gubernamentales pueden descargarlo gratuitamente.
El doctor Muñoz adelantó que el siguiente paso de la investigación será incorporar la propagación de la inundación y cómo ese nivel de agua se registra en toda la ciudad, usando un modelo de datos para entender cómo resolver las dinámicas de la inundación.
“La hipótesis es que si un lugar A tiene las mismas características de un lugar B podemos predecir el comportamiento a partir de ahí. Si la distribución de datos es similar es probable que vaya a funcionar”, culminó.
El profesor precisó que su idea es crear una guía para los investigadores: “Esperamos crear una guía para los investigadores que no tengan datos de un lugar, para que lo puedan usar para tener un sistema de predicción. No existe una guía en este momento sobre este tema. Somos un poco los pioneros en trabajar en esto. Queremos compartir nuestros códigos para que la gente lo pueda utilizar”, comentó.
El ingeniero civil explicó que el funcionamiento de SAM no tiene casi ningún impacto en el medio ambiente debido a que está diseñado como un programa que puede funcionar incluso desde una laptop.
Planteó, sin embargo, que uno de los desafíos podría estar en formar a las personas que quieran usarlo, a fin de que comprendan los datos que reciben y cómo los deben procesar para hacer lecturas correctas.
Adelantó que se publicará una tercera investigación con más datos para seguir perfeccionando el proyecto hasta poder exportarlo de forma global.
