Inteligencia artificial y datos para reforzar la seguridad de las presas en España

Un proceso riguroso que busca apoyarse en los datos

Morales comenzó describiendo el proceso actual de evaluación de la seguridad de las presas, basado en comités técnicos de expertos que, durante varias jornadas, analizan los posibles modos de fallo, su probabilidad y las consecuencias asociadas. Se trata de un procedimiento exhaustivo, apoyado en metodologías contrastadas y en el conocimiento experto acumulado, pero con un componente inevitablemente cualitativo y deliberativo.

En este contexto, explicó que desde la Dirección General del Agua se planteó explorar vías de mejora apoyadas en datos estructurados y modelos avanzados, especialmente ante el aumento de episodios extremos y la creciente complejidad del entorno en el que operan estas infraestructuras críticas. El objetivo no era automatizar decisiones, sino dotar a los expertos de nuevas herramientas que les permitieran contrastar y enriquecer sus evaluaciones.

La colaboración entre el Ministerio y NTT DATA se concibió así como un estudio preliminar, con un carácter claramente exploratorio, cuyo valor residía en identificar qué se puede hacer con la información disponible y qué caminos se abren para el futuro.

Objetivos de la colaboración y enfoque metodológico

La ponente estructuró el proyecto en torno a tres objetivos principales, alineados con las necesidades detectadas por la Administración:

• Analizar de forma sistemática la información utilizada por los expertos para identificar qué características de las presas influyen más en la probabilidad de riesgo de fallo.
• Incorporar fuentes de información adicionales, públicas y externas, que hasta ahora se tenían en cuenta de forma más implícita o cualitativa.
• Explorar el potencial de modelos de inteligencia artificial que apoyen la toma de decisiones técnicas con criterios objetivos y reproducibles.

Para ello, el equipo partió de los datos internos del Ministerio —especialmente los relativos a modos de fallo y características de las infraestructuras— y los enriqueció con información procedente de fuentes como AEMET, el Instituto Nacional de Estadística, el Sistema Nacional de Cartografía de Zonas Inundables o datos geofísicos y geológicos. El resultado fue un conjunto inicial cercano a cien variables, que posteriormente se depuró atendiendo a criterios de relevancia técnica y calidad de los datos.

Selección del alcance y elección del modelo

Uno de los aspectos clave de la intervención fue la explicación del proceso de acotación del estudio. Aunque se disponía de información sobre más de trescientas presas, Morales detalló cómo fue necesario reducir el alcance para garantizar la consistencia del análisis. Finalmente, se seleccionaron presas con riesgo de fallo hidrológico que implica rotura, evaluadas recientemente por los comités técnicos, hasta conformar una muestra de unas cien infraestructuras.

Ante este escenario —pocas observaciones y muchas variables— se descartó el uso de modelos supervisados orientados a predecir directamente el riesgo. En su lugar, se optó por un modelo no supervisado, cuyo objetivo era agrupar presas en función de sus características, sin introducir previamente la probabilidad de riesgo determinada por los expertos.

El modelo final, basado en técnicas de segmentación tipo K-means, trabajó con dieciséis variables clave relacionadas con:

• Tipología y geometría de la presa.
• Condiciones meteorológicas relevantes.
• Características del embalse y de la cuenca.
• Factores geológicos y sismológicos.

Este enfoque permitió identificar cuatro grupos diferenciados de presas, que posteriormente se analizaron en relación con los niveles de riesgo hidrológico asignados por los comités.

Interpretación de resultados y valor para los expertos

Morales dedicó una parte sustancial de su intervención a interpretar los perfiles de los grupos obtenidos, siempre desde la cautela de tratarse de un estudio no concluyente. Aun así, los resultados mostraron patrones coherentes: presas más altas y con mayores volúmenes de embalse tendían a concentrarse en grupos con riesgos hidrológicos más elevados, mientras que otras tipologías presentaban distribuciones más favorables.

Uno de los elementos más interesantes fue la capacidad del modelo para identificar presas “atípicas”: infraestructuras que, por sus características, deberían situarse en un determinado grupo, pero que presentaban un riesgo significativamente superior según la evaluación experta. Estos casos, explicó Morales, resultaron especialmente valiosos para el Ministerio, ya que invitaban a profundizar en las causas concretas —como incidencias recientes o patologías conocidas— y a contrastar la información desde distintos ángulos.

Desde esta perspectiva, la inteligencia artificial no sustituye el juicio experto, sino que actúa como un sistema de apoyo, capaz de señalar dónde conviene poner el foco y de facilitar debates técnicos mejor informados.

Líneas de trabajo futuras y papel de la IA

La ponente cerró la sesión apuntando varias líneas de evolución que se desprenden de este primer ejercicio. Entre ellas, destacó la incorporación sistemática de nuevas fuentes de datos, especialmente las procedentes de sensórica e IoT, que permitirían avanzar hacia modelos dinámicos y en tiempo casi real.

Asimismo, señaló el potencial de ampliar el análisis a otros modos de fallo, integrar técnicas de análisis geoespacial y, a más largo plazo, desarrollar modelos supervisados cuando exista un histórico de datos suficiente. Todo ello con un objetivo claro: mejorar la calidad de la información que sustenta las decisiones públicas en materia de seguridad de infraestructuras críticas.

A lo largo de su intervención, Teresa Morales defendió una visión pragmática de la innovación: datos bien gobernados, modelos comprensibles y una integración natural con los procesos existentes. Una aproximación que, en el contexto del ciclo del agua, refuerza la idea de que la inteligencia artificial es, ante todo, una herramienta al servicio del conocimiento experto y de la gestión responsable.