Cuando ingenieros y planificadores diseñan carreteras, puentes y presas, se basan en modelos hidrológicos diseñados para proteger la infraestructura y las comunidades de inundaciones que ocurren cada 50 y 100 años. Sin embargo, a medida que el cambio climático aumenta la frecuencia y la gravedad de las inundaciones, los modelos existentes se vuelven cada vez menos fiables, según una nueva investigación de Cornell.
por Krisy Gashler, Universidad de Cornell
Para combatir esta incertidumbre, los modelos basados en la física deberían complementarse con modelos hidrológicos de IA y crear estimaciones de inundaciones regionales, en lugar de depender de estimaciones específicas del sitio, según el estudio , publicado en el Journal of Hydrology .
«Los modelos son representaciones simplificadas del mundo real, por lo que los validamos con observaciones pasadas para garantizar que funcionen bien en condiciones históricas», dijo el primer autor Sandeep Poudel, estudiante de doctorado en el laboratorio de Scott Steinschneider, profesor asociado de ingeniería biológica y ambiental.
Sin embargo, el cambio climático está provocando sequías e inundaciones más frecuentes y graves. Esto significa que el futuro no se parecerá al pasado, lo que nos lleva a una pregunta crucial: ¿Hasta qué punto debemos confiar en nuestros modelos, validados con datos históricos, para realizar proyecciones a futuro? ¿Y qué modelos son más adecuados para la planificación de infraestructuras hídricas a largo plazo?
Para responder a estas preguntas, los investigadores desarrollaron primero un experimento de » hidrolaboratorio virtual «, compuesto por 1000 años de datos sintéticos basados en las condiciones climáticas actuales y futuras. Estos datos incluían eventos extremos como inundaciones y sequías, y valores diarios de las condiciones climáticas e hidrológicas, como la temperatura del aire, la precipitación, la humedad del suelo, la evaporación y la escorrentía. Posteriormente, probaron seis modelos de predicción de inundaciones con su conjunto de datos virtuales para determinar cuál se aproximaba más a la predicción de resultados importantes, tanto en condiciones presentes como futuras.
Los modelos se dividen en tres categorías: modelos tradicionales, basados en ecuaciones físicas sobre procesos hidrológicos ; modelos basados en IA, que incorporan todos esos datos y realizan predicciones basadas en relaciones de entrada y salida aprendidas; y un modelo híbrido que combina los modelos tradicionales y de IA. Se observó que, si bien existían grandes incertidumbres entre todos los modelos probados, el modelo de IA obtuvo el mejor rendimiento.
Steinschneider advirtió que el rendimiento superior del modelo de IA en este estudio de caso virtual no debería tomarse como una razón para descartar los modelos basados en la física, sino más bien para continuar estudiando y refinando ambos tipos de modelos.
«En lugar de asumir que podemos predecir con precisión cómo cambiarán las inundaciones en cada cuenca hidrográfica, deberíamos reconocer las limitaciones de nuestros modelos y buscar patrones que persistan en regiones más extensas», afirmó. «Esta perspectiva más amplia ofrece a los planificadores una guía mucho más fiable para preparar la infraestructura y proteger a las comunidades ante el calentamiento global».
Los investigadores descubrieron que las predicciones regionales fueron significativamente más estables que las predicciones específicas del sitio. Al realizar proyecciones de cambios en las inundaciones en múltiples cuencas fluviales , agregarlas y promediarlas, se obtuvieron hallazgos más sólidos y precisos.
Pero el hallazgo más preocupante, dijeron, fue la falta de confiabilidad de los modelos para predecir inundaciones en condiciones de cambio climático.
«Esto es preocupante porque estos son los modelos y datos hidrológicos que usamos comúnmente hoy para tomar decisiones sobre cómo diseñar puentes, carreteras e infraestructura hídrica en el futuro, y no son lo suficientemente buenos», dijo Poudel.
Más información: Sandeep Poudel et al., Incertidumbre en la estimación del cambio relativo de las crecidas de diseño bajo el cambio climático: un experimento estilizado con modelos basados en procesos, aprendizaje profundo e híbridos, Journal of Hydrology (2026). DOI: 10.1016/j.jhydrol.2025.134427
