Nuevos estudios comparativos de la Universidad de Minnesota Twin Cities demuestran que el aprendizaje automático puede mejorar la predicción de inundaciones. Los estudios, publicados en Water Resources Research y en las Actas de la Conferencia Internacional IEEE sobre Minería de Datos , demuestran cómo la inteligencia artificial «guiada por el conocimiento» puede ayudar a los meteorólogos a salvar vidas y proteger la infraestructura a medida que aumenta la frecuencia de fenómenos meteorológicos extremos.
por la Universidad de Minnesota
La investigación fue una colaboración entre la Facultad de Ciencias e Ingeniería de la Universidad de Minnesota, la Facultad de Ciencias de la Alimentación, la Agricultura y los Recursos Naturales de la Universidad de Minnesota y la Universidad Estatal de Pensilvania.
Actualmente, los meteorólogos del Servicio Meteorológico Nacional se basan en modelos físicos que requieren ajustes manuales en tiempo real a partir de observaciones de campo. Este proceso puede ser extremadamente laborioso y difícil de implementar a gran escala durante emergencias meteorológicas.
Este nuevo modelo combina elementos de los modelos tradicionales con técnicas de aprendizaje automático más recientes que aprenden automáticamente el estado de la cuenca de un río a partir de datos observados. Esto elimina la necesidad de una recalibración manual que consume mucho tiempo. Este enfoque híbrido puede predecir el caudal y los niveles de inundación con mayor precisión que los métodos actuales utilizados en Estados Unidos.
«El enfoque basado en el conocimiento permite que el modelo aprenda de datos reales sin dejar de respetar las leyes fundamentales de la hidrología», afirmó Vipin Kumar, catedrático del Departamento de Informática e Ingeniería y uno de los autores principales de los artículos. «No se trata solo de mejorar la precisión estadística, sino de proporcionar pronósticos fiables y prácticos en los que los gestores de emergencias y los meteorólogos puedan confiar al tomar decisiones cruciales».
Si bien en el pasado se ha explorado el uso exclusivo de enfoques de aprendizaje automático, las herramientas tradicionales aún superan a esos modelos. Esta nueva investigación utiliza el aprendizaje automático guiado por el conocimiento (KGML), un enfoque desarrollado por investigadores de la Universidad de Minnesota, para superar esa brecha y lograr una mayor precisión sin necesidad de ajustes manuales.
«En las últimas décadas, hemos observado un aumento de las inundaciones en muchas zonas de Minnesota, incluyendo varios récords de inundación en los últimos años», afirma Zac McEachran, coautor e hidrólogo investigador de la Alianza para la Adaptación Climática de la Universidad de Minnesota. «Es fundamental que mejoremos nuestra capacidad para predecir estos fenómenos y así proteger vidas e infraestructuras».
El equipo de investigación se centra ahora en mejorar aún más el modelo y en hacerlo operativo, con el objetivo de poner estas herramientas directamente en manos de los analistas para que puedan evaluar los riesgos futuros en tiempo real.
Además de Kumar y McEachran, el equipo de investigación de la Universidad de Minnesota incluyó a Rahul Ghosh, Arvind Renganathan, Somya Sharma, Kelly Lindsay y Michael Steinbach del Departamento de Ciencias de la Computación e Ingeniería, junto con John Nieber del Departamento de Bioproductos e Ingeniería de Biosistemas. El equipo también incluyó a Christopher Duffy del Departamento de Ingeniería Civil y Ambiental de la Universidad Estatal de Pensilvania.
Detalles de la publicación
Rahul Ghosh et al, Red recurrente jerárquicamente desenredada para factorizar la dinámica de sistemas multiescala: una aplicación en sistemas hidrológicos, Conferencia Internacional IEEE de Minería de Datos (ICDM) de 2025 (2025). DOI: 10.1109/icdm65498.2025.00131
Zac McEachran et al., Aprendizaje automático guiado por el conocimiento para la predicción operativa de inundaciones, Water Resources Research (2025). DOI: 10.1029/2024wr039064
