Predicción en tiempo real de zonas inundables mediante algoritmos de inteligencia artificial
La cartografía de zonas inundables es vital para la gestión de riesgos de inundación, permitiendo identificar áreas propensas y facilitar un uso seguro del suelo. El procedimiento habitual de la cartografía de zonas inundables consiste en la elaboración de mapas detallados basados en simulaciones hidráulicas convencionales. Sin embargo, estos modelos tradicionales son lentos y costosos, limitando su uso práctico en situaciones de emergencia.
Amphos 21 y ABM, dos empresas del grupo multinacional RSK, han desarrollado Aqualearning, una herramienta de inteligencia artificial que aporta una solución al reto de acelerar dichos cálculos, permitiendo predecir escenarios de inundación en tiempo cuasireal. Esto es posible gracias al uso de redes neuronales convolucionales alimentadas con resultados de modelos hidráulicos. Una vez que los algoritmos han sido convenientemente entrenados, proporcionan resultados miles de veces más rápidos que los modelos numéricos convencionales, permitiendo desarrollar sistemas de alerta temprana frente a inundaciones.
La Cartografía de Zonas Inundables es una herramienta fundamental en la gestión de riesgos asociados a las inundaciones
La Cartografía de Zonas Inundables es una herramienta fundamental en la gestión de riesgos asociados a las inundaciones. Su objetivo principal radica en la prevención y la planificación territorial, permitiendo identificar áreas propensas a inundaciones bajo distintos escenarios, como lluvias intensas, desbordamientos de ríos o mareas altas. Esto contribuye a un uso más seguro y sostenible del suelo. Sin embargo, su implementación no implica que todas las zonas identificadas como inundables estén exentas de actividades humanas. En muchos casos, dichas áreas ya cuentan con usos y actividades consolidados, lo que resalta la necesidad de combinar esta información con estrategias de mitigación, adaptación y planificación para reducir riesgos y minimizar impactos.
Amphos 21 y ABM, dos empresas del grupo multinacional RSK, han desarrollado Aqualearning, una herramienta de inteligencia artificial
En España, contamos con el Sistema Nacional de Cartografía de Zonas Inundables (SNCZI), un proyecto diseñado para integrar datos y ofrecer un enfoque armonizado en todo el territorio nacional. Este sistema recopila y consolida la información y cartografía relativas a zonas inundables generadas por los diferentes organismos de cuenca. El SNCZI proporciona información detallada sobre los escenarios de inundación, considerando probabilidades predefinidas de ocurrencia, lo que permite identificar las zonas de mayor vulnerabilidad. Los mapas que genera se basan en simulaciones que representan el comportamiento de los flujos de agua en diferentes condiciones, teniendo en cuenta factores como la topografía, las infraestructuras, el uso del suelo y la localización de elementos críticos.
Aunque esta cartografía, basada en modelos hidráulicos detallados, es extremadamente valiosa para la gestión territorial, presenta dos limitaciones principales. Por un lado, la definición estocástica y limitada de los escenarios de inundabilidad, basada en hidrogramas concretos con volúmenes y caudales máximos específicos para cada probabilidad definida. Por otro, el elevado coste computacional, especialmente en términos de tiempo (desde varias horas hasta días) necesario para simular escenarios distintos a los inicialmente previstos.
Estas limitaciones dificultan el uso directo de los modelos hidráulicos tradicionales en situaciones de alerta y/o emergencia, especialmente cuando las condiciones reales de precipitación se desvían significativamente de los escenarios previamente definidos (generalmente entre cuatro y seis escenarios). En tales casos, se requiere información inmediata y ajustada a las condiciones reales.
El uso combinado de modelos de inteligencia artificial con los modelos hidráulicos clásicos abre nuevas posibilidades. Esta integración permite disponer de herramientas de respuesta casi inmediata, facilitando la generación de información actualizada sobre zonas inundables durante emergencias. Esto supone un soporte crucial para la gestión y respuesta en situaciones críticas, mejorando significativamente la capacidad de reacción y la toma de decisiones.
El uso combinado de modelos de inteligencia artificial con los modelos hidráulicos clásicos abre nuevas posibilidades
Aqualearning es una herramienta que permite aplicar algoritmos de inteligencia artificial para abordar diferentes problemas relacionados con la gestión del agua. Desde el preprocesado de datos y entrenamiento de los modelos hasta el despliegue de modelos para su uso comercial, Aqualearning automatiza todo el flujo de trabajo, proporcionando una solución integral para proyectos de inteligencia artificial en este ámbito.
Para crear un modelo de inteligencia artificial se necesitan dos ingredientes principales: los datos y una pregunta que hacerle a dichos datos. Así, es de vital importancia disponer de datos que sean de calidad y dedicar el tiempo necesario a definir con precisión la pregunta que se quiere responder. Típicamente, los proyectos de inteligencia artificial suelen partir de la disposición de muchos datos que no han sido explotados y el objetivo suele ser responder la pregunta que permita extraer ese conocimiento potencial que está contenido en la información disponible. En cambio, el caso de este estudio es ligeramente particular, ya que la pregunta llega antes de la disponibilidad de los datos de entrenamiento:
¿Podemos acelerar la predicción de escenarios de inundación basándonos en información meteorológica para generar un sistema de alerta temprana?
La motivación principal de plantear esta pregunta se debe a que el tiempo requerido por los modelos hidráulicos, de cara a generar escenarios de inundación (de seis horas a varios días de tiempo de cálculo), dificulta la construcción de un sistema de alerta temprana suficientemente versátil que pueda adecuarse a la situación meteorológica en tiempo real. En otras palabras, aunque se puedan predecir escenarios de inundación de forma anticipada utilizando las predicciones meteorológicas disponibles, no es posible generar nuevas predicciones en tiempo real que se ajusten dinámicamente a la evolución de las condiciones meteorológicas durante el evento de precipitación.
Aqualearning permite aplicar algoritmos de inteligencia artificial para abordar diferentes problemas relacionados con la gestión del agua
La solución desarrollada para dar respuesta a este problema se sustenta en dos puntos principales: el primero es que la inteligencia artificial (en particular los modelos basados en redes neuronales artificiales) es increíblemente rápido. Esto se debe a que, en esencia, lo que hace una red neuronal artificial para producir un resultado es concatenar una serie de multiplicaciones matriciales que han sido previamente ajustadas. Esta operación de inferencia es mucho más simple que ejecutar un modelo numérico complejo con base física; de hecho, el tiempo de ejecución del modelo de inteligencia artificial puede ser hasta tres mil veces menor que el modelo numérico.
Por otro lado, los modelos hidráulicos tradicionales están disponibles; es decir: no hay que crearlos desde cero. Así, el segundo punto de la estrategia consiste en generar una serie de hidrogramas característicos, representativos de condiciones típicas y extremas, y ejecutar los modelos disponibles con estos hidrogramas para obtener un conjunto de entrenamiento. La hipótesis es que, al entrenar un modelo de inteligencia artificial con estos datos, el modelo haya visto suficiente información para poder generalizar y crear predicciones de manera mucho más rápida que el modelo numérico. A esto se le conoce como un modelo subrogado, es decir, una herramienta de inteligencia artificial entrenada con los modelos convencionales.
El esquema de la arquitectura de la Red Neuronal Artificial (RNA) describe la arquitectura del modelo subrogado de inteligencia artificial. Como se ve en la imagen, tenemos dos bloques de datos que tienen dimensiones distintas: datos topográficos que son imágenes bidimensionales e hidrogramas que se representan como series temporales unidimensionales. Para poder integrar esta información, la solución Aqualearning opta por una arquitectura de tipo «codificación-decodificación». En este enfoque, el modelo aprende a deconstruir los datos de topografía y la información de hidrogramas a un estado intermedio llamado «estado latente», que luego reconstruye para generar un mapa que predice la inundación esperada.
La base de datos para entrenar el modelo se genera mediante n simulaciones numéricas, obteniendo resultados del modelo frente a n hidrogramas diferentes que cubren una amplia variedad de condiciones posibles. Una vez entrenado, el modelo se valida frente a escenarios adicionales para evaluar su capacidad de generalización y precisión en situaciones no contempladas durante el entrenamiento. A mayor valor de n, mayor precisión de la simulación en tiempo real.
Los modelos entrenados pueden convertirse en aplicaciones web que permiten la interacción con el usuario final de la herramienta (gestores, ingenieros, servicios de protección civil). Un ejemplo demostrativo de aplicación web puede ser evaluada en https://dsolutions.amphos21.com. La aplicación web permite, por un lado, la visualización multiplataforma (teléfono móvil, tablet, computador, etc.) del proceso de entrenamiento y validación del modelo, así como realizar simulaciones usando hidrogramas ficticios o previstos. La figura B muestra un ejemplo de uso de predicción.
Es interesante observar que la aplicación web ejecuta el modelo en tiempo real y que permite obtener resultados (el mapa de inundación estimada) en unos pocos segundos. La solución Aqualearning supone una mejora de tiempo del orden de 6.000-7.000 veces en comparación con los modelos numéricos tradicionales. Este tipo de predicciones basadas en inteligencia artificial permite generar sistemas de alerta temprana mucho más eficaces, dinámicos y adaptativos que podrían proporcionar información valiosa para dar una respuesta rápida y precisa en situaciones de emergencia.
Mapa de inundación estimada para un hidrograma ficticio. La aplicación web permite generar hidrogramas y observar la estimación del modelo de inteligencia artificial.