A medida que el cambio climático intensifica las tormentas, se requieren nuevas herramientas para cartografiar dónde ocurren las inundaciones en áreas poco estudiadas.
Una nueva herramienta de mapeo de la Universidad Estatal de Carolina del Norte utiliza el aprendizaje automático (machine learning) e imágenes satelitales de código abierto para modelar las inundaciones en entornos urbanos. El nuevo modelo podría crear mapas que predigan inundaciones en áreas urbanas que tradicionalmente no han sido accesibles para los planificadores urbanos. Esto podría ayudar a identificar áreas potencialmente propensas a inundaciones en entornos urbanos, contribuyendo a que los funcionarios puedan tomar decisiones mejor informadas sobre dónde asignar recursos de prevención y resiliencia ante inundaciones.
El trabajo ha sido publicado en la revista Natural Hazards.
Rebecca Composto, estudiante de posgrado en NC State y autora principal del artículo que describe el modelo, afirma que las áreas urbanas presentan desafíos únicos en la recopilación de datos satelitales y el seguimiento del flujo de agua.
Esto podría ayudar a identificar áreas potencialmente propensas a inundaciones en entornos urbanos
«Uno de los primeros problemas es la sombra de los edificios. Los edificios más altos crean más sombra, lo que significa que las imágenes satelitales parecen más oscuras y contienen menos información», dijo. «Las áreas urbanas también tienen una hidrología más compleja, ya que la existencia de tantos sistemas de drenaje junto con superficies de hormigón que no absorben el agua significa que es más difícil predecir dónde se acumula”.
Las inundaciones en las áreas urbanas también tienden a comenzar y terminar rápidamente, a veces demasiado rápido para que los satélites recopilen suficientes datos utilizables. Para abordar esto, Composto utilizó datos satelitales del huracán Ida, que causó importantes inundaciones y daños en el noreste de EE. UU. en 2021. Las inundaciones de Ida duraron más de lo habitual en áreas como Filadelfia y, esto, combinado con una ruptura repentina de la capa de nubes, le dio a Composto el tipo de datos satelitales que necesitaba.
El siguiente paso fue entrenar un modelo de aprendizaje automático para reconocer y mapear las inundaciones. Para crear suficientes datos de entrenamiento para que el modelo reconociera las inundaciones urbanas, Composto pasó meses dibujando a mano polígonos en sus imágenes satelitales para ayudar al programa a entender lo que estaba observando. Estos polígonos ayudaron al algoritmo de aprendizaje automático a «ver» las características de las imágenes satelitales más alineadas con las inundaciones y así poder mapearlas.
Posteriormente, Composto comparó el mapa resultante, conocido como extensión de inundación, con las zonas de inundación de la Agencia Federal para el Manejo de Emergencias. Estas zonas designan áreas según la probabilidad de que se inunden; por ejemplo, una zona de inundación de «500 años» tiene una probabilidad de inundación de aproximadamente 1 de 500 cada año. Otras áreas se consideran de «riesgo mínimo de inundación», lo que las coloca fuera del límite de la designación de inundación de 500 años.
El modelo determinó que se estaban produciendo más inundaciones en estas áreas de riesgo mínimo que en las zonas de 500 años. Composto explicó que esto probablemente se debe al tamaño, mucho mayor, de las zonas de riesgo mínimo: a pesar de tener más inundaciones en términos de volumen, el riesgo de inundaciones en estas áreas era proporcionalmente menor que en las zonas de 500 años.
Las investigaciones futuras podrían centrarse en simplificar el modelo para facilitar su uso. Composto planea integrar un nuevo mapa que muestre la profundidad de las inundaciones y hacer que su código sea de código abierto para que sea más fácil compartirlo con los líderes de respuesta a emergencias.
Lee la noticia original en Smart Water Magazine.
