La inteligencia artificial (IA) es capaz de identificar tumores a partir de miles de imágenes, intervenir de forma precisa en una operación quirúrgica, descubrir antibióticos y proteínas, evaluar comportamientos de mercados u optimizar un proceso industrial, entre otras decenas de usos. Sin embargo, esta habilidad tecnológica es muy limitada ante fenómenos adversos como las riadas, las catástrofes más dañinas tras los terremotos (incluidos tsunamis). Las inundaciones han afectado en dos décadas a 2.500 millones de personas, matado a un cuarto de millón de ellas y causado daños evaluados en 936.000 millones, según la base de datos mundial sobre desastres naturales (EM-DAT) de la Universidad Católica de Lovaina (Bruselas). Sin embargo, los desarrollos para predecir y evitar sus efectos aún no son efectivos, a pesar de ser uno de los objetivos de gigantes tecnológicos e instituciones de todo el mundo. ¿Por qué?
“Los modelos climáticos existentes no son muy buenos para ciertos fenómenos meteorológicos extremos, que están aumentando mucho más rápido en el mundo real en comparación con lo que los modelos nos dicen que debería suceder. Es importante pronosticar los extremos para que podamos tener alertas tempranas”, explica Dim Coumou, experto en climatología de la Universidad de Ámsterdam (Países Bajos).
Uno de los obstáculos para pronósticos precisos es la información disponible para entrenar la inteligencia artificial. Aunque existe información de décadas, esta puede no ser relevante para entender los fenómenos más adversos. “Los eventos extremos son, por definición, raros. Así que no siempre tienes muchas observaciones. Ese es un gran obstáculo si se quieren utilizar métodos de inteligencia artificial”, detalla Coumou en Horizon.
La IA aporta resultados en función de patrones observados mediante el análisis de una enorme cantidad de datos. Puede identificar un tumor a partir de una imagen si tiene miles más para comparar y estas son de calidad y ya avaladas por diagnósticos ciertos. “La IA necesita grandes cantidades de datos de alta calidad para ser útil para la ciencia y las bases de datos que contienen ese tipo de datos son escasas”, advierte David Baker, reciente Nobel de Química por desarrollar sistemas de inteligencia artificial abiertos que crean nuevas proteínas.
A la falta de datos sobre fenómenos raros se suma la dificultad de predecir con exactitud un evento meteorológico tan dinámico y complejo como una dana (depresión aislada en niveles altos), que ocasiona fuertes lluvias y tormentas que pueden ser muy localizadas y variables en intensidad. Su comportamiento es errático en función de múltiples factores, como las temperaturas del entorno, humedad, presión, vientos, orografía y las interacciones con otros elementos geográficos y atmosféricos.
Ni siquiera los datos anticipados con mucho margen de tiempo garantizan un patrón preciso para saber cuándo y dónde golpeará con exactitud. E incluso, aunque estos datos mostraran un modelo fiable de precipitaciones, son insuficientes para despejar las incertidumbres. “Las tormentas muy intensas no provocan daños automáticamente. Hay muchos otros factores en juego”, advierte Kevin Collins, profesor de Medio Ambiente y Sistemas de Open University de Reino Unido a Science Media Center.
Coinciden los profesores de la Universidad de Lleida Víctor Resco de Dios y Domingo Molina. “No basta con saber cuánto y dónde va a llover, sino que también necesitamos establecer cómo esa lluvia se transformará en riadas y cuáles serán las zonas potencialmente afectadas”, escriben en The Conversation
La fugaz variabilidad de todos los factores implicados, la dispersión y escasez de datos específicos sobre fenómenos extraordinarios y la heterogénea calidad de estos limitan a la inteligencia artificial para identificar un patrón y generar un mecanismo de prevención y alerta. Desarrollar un sistema que tuviera una capacidad de antelación de tan solo 24 horas, según la Comisión Mundial de Adaptación, “reduciría en un 30% los daños”. Estos, según un estudio en Nature communications, se elevan a 143.000 millones de dólares anuales (unos 133.000 millones de euros), más que la media registrada por EM-DAT al incluir una evaluación de las pérdidas humanas.
Desarrollar un sistema que tuviera una capacidad de antelación de tan solo 24 horas, según la Comisión Mundial de Adaptación, reduciría en un 30% los daños
De esta forma, la clave no es solo la fiabilidad de la predicción sino el tiempo de anticipación. “Un pronóstico, aunque sea preciso, no tiene ningún valor como información si no llega lo suficientemente pronto para reducir significativamente las víctimas y los daños a la propiedad causados por las inundaciones repentinas”, explica Geon-Wook Hwang, investigador del Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción (KICT) que trabaja en un sistema para pronosticar inundaciones.
Pese a las dificultades, gigantes tecnológicos como Google o IBM, en colaboración con la NASA, y otras instituciones europeas y de otros continentes, en el marco del plan quinquenal de las Naciones Unidas, trabajan para desarrollar herramientas de inteligencia artificial que faciliten una predicción fiable a medio y largo plazo y mejoren los sistemas de alerta temprana.
Google DeepMind, la compañía de inteligencia artificial del gigante tecnológico norteamericano, mostró en Science un modelo de pronóstico del tiempo basado en aprendizaje automático para aportar predicciones a 10 días “mejores, más rápidas y más accesibles que los enfoques existentes”, según el estudio. El modelo, denominado GraphCast, superó a los sistemas tradicionales en el 90% de los casos probados.
El sistema que sirvió de referencia a Google fue el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF por sus siglas en inglés), que cuenta en Bolonia (Italia) con una supercomputadora con alrededor de un millón de procesadores y una potencia de 30 petaflops (30.000 billones de cálculos por segundo). Este centro, que utiliza la inteligencia artificial en su Sistema Integrado de Previsión (AIFS) y ofrece pronósticos a largo plazo de eventos climáticos, anticipó las lluvias torrenciales de septiembre en el centro de Europa.
GraphCast no precisa de estas capacidades y recurre al aprendizaje automático entrenado a partir de datos históricos para arrojar un pronóstico preciso de 10 días en menos de un minuto. “Creemos que esto marca un punto de inflexión en la predicción meteorológica”, afirman los autores, dirigidos por Remi Lam, científico de DeepMind.
En esta carrera también está IBM, en colaboración con la NASA, con una propuesta, también de aprendizaje automático. “Los modelos fundacionales de inteligencia artificial que utilizan datos geoespaciales [meteorológicos, de sensores y de satélite] pueden cambiar las reglas del juego porque nos permiten comprender mejor, preparar y abordar los numerosos fenómenos relacionados con el clima que afectan a la salud de nuestro planeta de una manera y a una velocidad nunca vistas”, explica Alessandro Curioni, vicepresidente de Accelerated Discovery en IBM.
Para Kate Royse, directora del centro británico de supercomputación Hartree, estos modelos “permitirían tomar decisiones más inteligentes fundamentadas en la predicción y gestión precisas del riesgo de inundaciones, que es fundamental para la planificación futura de las ciudades”.
“Un buen uso de los pronósticos meteorológicos basados en IA sería complementar y mejorar nuestra caja de herramientas de predicción, tal vez permitiéndonos producir modelos para una evaluación e interpretación precisas de la probabilidad de eventos extremos”, afirma a Reuters Andrew Charlton-Pérez, profesor de meteorología en la Universidad de Reading en el Reino Unido.
Una propuesta de sistema complementario es el investigan dos centros del consorcio científico alemán Helmholtz y publicado en Nature Communications. Este modelo combina las previsiones de precipitación del servicio meteorológico con datos sobre la humedad del suelo, uno de los factores críticos para el desarrollo de inundaciones, y caudales para pronosticar zonas y profundidades de inundación, así como afectación en edificios, calles, tramos ferroviarios, hospitales u otros elementos críticos de la infraestructura. “Las autoridades responsables y la población no solo tienen información sobre un posible nivel de agua 30 kilómetros río arriba, sino también un mapa de inundación de alta resolución que muestra los impactos de la riada. Por ejemplo, podrían saber dónde podrían estar en peligro las personas o quién tiene que ser evacuado”, dice el hidrólogo Sergiy Vorogushyn, del Centro Alemán de Investigación en Geociencias y coautor del estudio.