La temporada de huracanes de 2025 comienza oficialmente el 1 de junio y se pronostica que será más activa que nunca, con tormentas potencialmente devastadoras cuyas fuertes lluvias y poderosas marejadas ciclónicas causan peligrosas inundaciones costeras.
por Courtney Sakry, Virginia Tech
Los niveles extremos de agua, como las inundaciones de 4.5 metros que sufrieron los floridanos durante el huracán Helene en 2024, amenazan vidas, arrasan viviendas y dañan ecosistemas. Sin embargo, pueden ser difíciles de predecir sin modelos informáticos complejos que requieren un uso intensivo de datos, algo que las zonas con recursos limitados no pueden soportar.
Un estudio reciente publicado en Water Resources Research por el estudiante de posgrado en ingeniería civil y ambiental Samuel Daramola, junto con el asesor docente David F. Muñoz y los colaboradores Siddharth Saksena, Jennifer Irish y Paul Muñoz de la Vrije Universiteit Brussel en Bélgica, presenta un nuevo marco de aprendizaje profundo para predecir el ascenso y descenso de los niveles de agua durante las tormentas, incluso en lugares donde fallan los mareógrafos o los datos son escasos, a través de una técnica conocida como «aprendizaje por transferencia».
El marco, denominado Modelos Aproximados de Estación de Memoria a Largo y Corto Plazo (LSTM-SAM), ofrece predicciones más rápidas y asequibles que permiten tomar decisiones más inteligentes sobre cuándo evacuar, dónde ubicar los recursos de emergencia y cómo proteger la infraestructura ante la llegada de huracanes. Para los planificadores de emergencias, los gobiernos locales y los equipos de respuesta ante desastres, podría ser un punto de inflexión y salvar vidas.
Abordar el desafío de predecir inundaciones con aprendizaje por transferencia
Predecir cuándo y dónde se producirán niveles extremos de agua (especialmente durante inundaciones compuestas, cuando múltiples fuentes de inundación, como la lluvia y las marejadas ciclónicas, se combinan para intensificar las inundaciones) es crucial para proteger a las comunidades vulnerables.
Sin embargo, los modelos físicos convencionales se basan en información detallada sobre los patrones climáticos , las condiciones oceánicas y la geografía local. Recopilar y procesar estos datos requiere mucho tiempo y es costoso, lo que limita su uso a zonas con registros de datos a largo plazo y computadoras de alta potencia.
Para superar estas limitaciones, el equipo de investigación desarrolló LSTM-SAM, un marco de aprendizaje profundo que analiza patrones de tormentas pasadas para predecir el aumento del nivel del agua durante tormentas futuras. Lo que hace que este modelo sea especialmente útil es su capacidad de extrapolar los datos de una zona geográfica para realizar predicciones para otra localidad que no dispone de muchos datos propios. Al tomar conocimiento y aplicarlo localmente, facilita la disponibilidad de predicciones precisas de inundaciones.
«Nuestro objetivo era crear un método eficiente de aprendizaje por transferencia que aprovechara modelos de aprendizaje profundo preentrenados», afirmó Daramola. «Esto es clave para evaluar rápidamente muchas zonas propensas a inundaciones después de un huracán».
Pruebas con predicciones de inundaciones costeras
Los investigadores probaron el LSTM-SAM en estaciones mareográficas a lo largo de la costa atlántica de Estados Unidos, una región frecuentemente afectada por huracanes y otras tormentas importantes. Descubrieron que el modelo era capaz de predecir con precisión el inicio, el pico y el descenso de los niveles de agua provocados por tormentas. El modelo incluso pudo reconstruir los niveles de agua de estaciones mareográficas dañadas por huracanes, como la estación de Sandy Hook, Nueva Jersey, que falló durante el huracán Sandy en 2012.
Los investigadores planean usar el marco LSTM-SAM durante la próxima temporada de huracanes , donde podrán probarlo a medida que se acercan las tormentas casi en tiempo real. También han publicado el código en el repositorio de GitHub de CoRAL Lab , donde científicos, planificadores de emergencias y líderes gubernamentales pueden descargarlo gratuitamente. El programa se ejecuta en una computadora portátil en cuestión de minutos y podría ser especialmente útil para pequeñas localidades o regiones de países en desarrollo donde el acceso a herramientas informáticas de alta tecnología o a datos ambientales detallados es limitado.
«Otros estudios se han basado en patrones repetitivos en los datos de entrenamiento», afirmó Daramola. «Nuestro enfoque es diferente. Destacamos los cambios extremos en los niveles de agua durante el entrenamiento, lo que ayuda al modelo a reconocer mejor los patrones importantes y a funcionar con mayor fiabilidad en esas áreas».
Dado que es probable que la frecuencia de huracanes y su impacto socioeconómico aumenten en el futuro, la necesidad de marcos fiables para la predicción de inundaciones es fundamental. Herramientas avanzadas de aprendizaje profundo como LSTM-SAM podrían resultar esenciales para ayudar a las comunidades costeras a prepararse para la nueva normalidad, facilitando predicciones de inundaciones más inteligentes, rápidas y accesibles asociadas con ciclones tropicales.
Más información: Samuel Daramola et al., Predicción de la evolución de niveles extremos de agua con modelos aproximados basados en estaciones de memoria a corto plazo y técnicas de transferencia de aprendizaje, Investigación de Recursos Hídricos (2025). DOI: 10.1029/2024WR039054
