En un mundo repleto de sensores y satélites, el acceso a datos de alta calidad que pueden ayudar a resolver problemas y mejorar los sistemas está más extendido que nunca.
por Logan Burtch-Buus, Universidad de Arizona
Pero con tanta información a nuestra disposición, ¿cómo sabemos que estamos eligiendo los datos correctos y utilizándolos correctamente?
Investigadores de la Universidad de Arizona han explorado esa cuestión en el ámbito del seguro contra inundaciones , y sus hallazgos podrían tener implicaciones para la respuesta y la recuperación ante desastres.
En un estudio publicado recientemente en la revista Earth’s Future , los investigadores utilizaron un programa simulado de seguros contra inundaciones en Bangladesh para comparar conjuntos de datos reales sobre inundaciones, recopilados de cinco fuentes diferentes. El equipo descubrió que el tipo de datos utilizados afecta no solo la precisión y la rapidez de los pagos, sino también la certeza al anticipar los pagos futuros del seguro, lo cual influye directamente en los costos del programa.
Alex Saunders, autor principal del artículo y candidato a doctorado en la Facultad de Geografía, Desarrollo y Medio Ambiente de la Universidad de Alberta, colaboró con Kevin Anchukaitis, director del Laboratorio de Investigación de Anillos de Árboles y profesor de Geografía de Sistemas Terrestres; Andrew Bennett, profesor adjunto de Hidrología y Ciencias Atmosféricas; Beth Tellman, exprofesora adjunta; y Jonathan Giezendanner, exinvestigador asociado, ambos de la Facultad de Geografía, Desarrollo y Medio Ambiente. El equipo también incluyó investigadores de Virginia Tech, la Universidad de Ingeniería y Tecnología de Bangladesh y la Junta de Desarrollo Hídrico de Bangladesh.
Saunders cree que sus hallazgos podrían beneficiar a los residentes de áreas propensas a inundaciones en todo el mundo al destacar a los proveedores de seguros cómo la selección de los datos más apropiados entre una amplia gama de opciones puede mejorar la respuesta ante desastres y la protección financiera.
«Cada año se producen más inundaciones, lo que conlleva un aumento en los daños totales que causan», afirmó. «En el caso de los seguros, crear una herramienta más precisa que ayude a las personas a recibir pagos más puntuales podría ayudarles a superar algunos de los peores momentos de sus vidas».
Gobiernos, organizaciones sin fines de lucro e industrias como la agricultura, los seguros y la energía dependen cada vez más de los datos de observación de la Tierra : información recopilada por satélites, aeronaves y sensores terrestres que monitorean el planeta. Los expertos utilizan estos datos para orientar la gestión sostenible de los recursos, predecir el cambio ambiental y responder a los desastres naturales.
En el caso de los seguros contra inundaciones, las compañías recurren cada vez más a indicadores indirectos de daños, como los niveles de lluvia o la altura de los ríos, en lugar de evaluar directamente los daños en las reclamaciones de seguros, lo que puede resultar costoso tanto en honorarios como en tiempo. Estos indicadores se combinan en índices, umbrales numéricos que, una vez superados, activan los pagos. A pesar de su creciente uso, Saunders señaló que aspectos fundamentales de este sistema, como las fuentes de datos que se incluyen en los índices de seguros, a menudo carecen de pruebas exhaustivas.
Para abordar este problema, Saunders y sus colegas estudiaron las temporadas monzónicas de Bangladesh entre 2004 y 2023. Analizaron datos de precipitaciones, niveles de los ríos y mapas de inundaciones de la agencia nacional de inundaciones, junto con dos tipos de datos satelitales para medir la cobertura hídrica. Un método satelital utilizó lecturas tradicionales de aguas superficiales, mientras que el otro se basó en un modelo de inteligencia artificial diseñado específicamente para rastrear los patrones de inundaciones monzónicas en Bangladesh.
El modelo impulsado por IA capturó con éxito la progresión de las aguas de la inundación, mientras que el método satelital tradicional entregó estimaciones poco confiables cuando había un alto nivel de cobertura de nubes.
Luego, los investigadores probaron los cinco métodos evaluando cuándo se activó el seguro durante el período de 20 años, con qué rapidez se produjeron esos pagos y qué tan predecibles fueron.
Su análisis reveló que ningún conjunto de datos superó sistemáticamente a los demás, aunque la selección de los datos sí influyó en los resultados. En algunos casos, diferentes índices discreparon sobre si debían realizarse los pagos y cuándo. Estas discrepancias fueron aún más pronunciadas a nivel regional, donde las variaciones locales hicieron que ciertos conjuntos de datos fueran menos fiables. La combinación o comparación de múltiples fuentes también mejoró la confianza en las decisiones sobre los pagos.
«Un medidor de caudal puede indicarnos el nivel de un río, pero eso no significa automáticamente que haya inundaciones ni que haya personas cerca y en riesgo», explicó Saunders. «Los satélites pueden mostrar la superficie de toda una región, pero los datos de lluvia pueden ser igual de útiles, aunque la lluvia no siempre provoca inundaciones si el agua fluye a otro lugar. Por eso, pueden necesitarse múltiples conjuntos de datos para comprender realmente las inundaciones».
Saunders añadió que uno de los resultados más interesantes del estudio provino del modelo satelital basado en IA, gracias a su capacidad para detectar inundaciones incluso con nubosidad persistente. En comparación con el método satelital tradicional que probaron los investigadores, el enfoque de IA activó los pagos con una anticipación promedio de una semana. El nuevo enfoque también redujo la incertidumbre sobre los pagos anticipados en más de un 20%, lo que disminuyó los posibles costos del seguro para los clientes.
Saunders recomienda que los programas de seguro contra inundaciones basados en índices prueben una amplia gama de fuentes de datos antes de su implementación, incorporen múltiples índices para reducir el riesgo de pagos perdidos o innecesarios y exploren nuevas tecnologías como la inteligencia artificial para mejorar la precisión y la puntualidad.
Las aseguradoras pueden guiarse en su toma de decisiones basándose en los datos más fácilmente disponibles, pero existe una gran variedad de opciones y más tipos de datos a través de medios como sensores satelitales, afirmó Saunders. «Pero el hecho de que un conjunto de datos específico sea fácilmente disponible o se base en la tecnología más reciente no significa que sea el adecuado para un escenario determinado. Se debe considerar y comparar toda la información disponible para buscar las mejores soluciones».
La necesidad de sistemas de seguros más precisos es urgente. Entre 2000 y 2023, solo el 16 % de los 1,77 billones de dólares en pérdidas económicas mundiales por inundaciones estaban aseguradas, lo que dejó a gobiernos, empresas y hogares con la abrumadora mayoría de los costos. El seguro y el reaseguro —la práctica mediante la cual las aseguradoras transfieren el riesgo a otras aseguradoras— dependen de información precisa y oportuna para respaldar la ayuda y la recuperación efectivas en las comunidades afectadas por las inundaciones.
Saunders dijo que al utilizar diferentes fuentes de datos de observación de la Tierra, los gobiernos, las aseguradoras y otras organizaciones podrían tener información crucial para tomar decisiones importantes que cambien la vida, siempre y cuando utilicen esos datos de manera inteligente.
Más información: Alex Saunders et al., Sensibilidad a la elección de datos para seguros contra inundaciones basados en índices, Earth’s Future (2025). DOI: 10.1029/2025ef005966
