En un esfuerzo pionero, la Universidad Tecnológica (UTEC), con sede en Francisco Maciel y Luis Morquio, en la ciudad de Durazno, está liderando una investigación que utiliza IA para mejorar la predicción de inundaciones en la cuenca del Río Negro. Este proyecto, dirigido por el ingeniero Johan Duque, combina redes neuronales y datos históricos para anticipar eventos extremos con hasta 10 días de antelación, marcando un hito en la gestión de riesgos hídricos en Uruguay.
Aporte de UTEC.- La inteligencia artificial ha demostrado en los últimos años que sus aplicaciones pueden ser sumamente variadas. En este marco, el coordinador de Ingeniería Agroambiental, Johan Duque, encabeza una investigación que persigue dos objetivos clave: obtener información detallada sobre la dinámica y el comportamiento del Río Negro y mejorar las predicciones ante eventos extremos.Precipitaciones intensas, inundaciones, eventos extremos, estos fenómenos preocupan, generan daños, y lograr predecirlos resulta importante para tomar medidas y proteger a la población. Este es un tema de estudio para Ingeniería Agroambiental de UTEC, con sede en Durazno.
Johan Duque, coordinador de la carrera, lidera una investigación que busca estudiar distintas alternativas para la gestión de los recursos hídricos en Uruguay. En una iniciativa conjunta entre la Universidad Tecnológica (UTEC), y el Instituto Nacional de Investigación Espacial de Brasil (INPE) y el Centro Nacional de Monitoramento e Alertas de Desastres Naturais de Brasil (Cemaden). Su estudio, apunta a aportar insumos para mejorar los procesos de predicción de inundaciones en la cuenca del Río Negro, utilizando redes neuronales, una técnica avanzada de inteligencia artificial. Duque utiliza modelos no lineales de series temporales hidrológicas.
Su trabajo implica estudiar la aplicación de redes neuronales como técnica de inteligencia artificial. Esto puede permitir mejorar las predicciones sobre el comportamiento de los ríos ante eventos extremos de precipitación.
Duque subraya que, aunque este tipo de modelos no es completamente nuevo, su aplicación en Uruguay representa una novedad significativa. "Junto con el Cemaden hemos validado nuestro modelo utilizando datos históricos de la cuenca del Río Negro. Los resultados han sido favorables, mostrando que nuestro modelo puede prever el nivel de ríos con hasta 10 días de anticipación de manera eficiente, un horizonte de predicción favorable para la toma de decisiones ante eventos de inundación, en este sentido los modelos basados en IA muestran versatilidad a lo alcanzado por otros modelos hidrológicos utilizados hasta ahora en cuanto a costo computacional e interpretabilidad de los datos", afirmó. El investigador destacó la importancia de generar un proceso de validación que permita demostrar que el modelo puede ser utilizado en sistemas de alerta temprana.
 |
| Presentación del trabajo en la Universidad de Buenos Aires encuentro PREVENIR: Sistemas de Alerta Temprana para Inundaciones Repentinas. Leonardo Santos Investigador del CEMADEN y profesor del INPE y Johan Duque. |
Las inundaciones representan un “desafío crítico” para el bienestar y desarrollo de las comunidades, comentó Duque. Comprender sus causas y desarrollar metodologías efectivas para la prevención de riesgos “es esencial para mejorar los sistemas de alerta temprana”. La cuenca del Río Negro es transfronteriza porque se comparte con Brasil. Tiene diferentes usos agrícolas y de generación hidroeléctrica. “Representa un sistema complejo con una dinámica hidrológica de carácter no lineal, esta cuenca presenta las características y escenarios adecuados para probar estas nuevas técnicas de modelización hidrológica”, comentó Duque.
Un modelo es una representación abstracta o idealizada de la realidad. El modelo desarrollado por Duque e investigadores del INPE utiliza datos históricos de niveles de ríos y precipitación recogidos en estaciones hidrométricas distribuidas a lo largo de la cuenca del Rio Negro. “Los datos obtenidos en estas series temporales se modelan usando una red neuronal diseñada para aprender y prever el nivel del río en las estaciones de Rincón de Bonete, Durazno y Mercedes” indicó el investigador.
A diferencia de los modelos tradicionales de base física, este enfoque basado en inteligencia artificial tiene la capacidad de identificar patrones no lineales y propiedades caóticas en las series temporales como se demostró en el trabajo publicado en mayo en la revista Caos del Instituto Americano de Física. “El modelo se evaluó para diferentes días de predicción desde 1 hasta 30 días. Mostrando un horizonte válido para el modelo de 10 días.
Este fue uno de los mayores aportes del trabajo publicado, sumado al entendimiento de patrones en diferentes contextos hidrológicos como las represas”. señaló Duque. Según explica el investigador, "los modelos hidrológicos son abstracciones del ciclo hidrológico. Modelan la complejidad de los sistemas fluviales mediante leyes físicas de conservación y ecuaciones matemáticas que relacionan las diferentes variables de los procesos hidrológicos como las precipitaciones, el nivel de los ríos y las descargas. Sin embargo, estos modelos requieren gran capacidad de cómputo así como una gran cantidad de datos y a menudo no logran capturar completamente la dinámica no lineal del sistema".
En este contexto, las redes neuronales ofrecen una alternativa prometedora al permitir la integración de grandes volúmenes de datos y la identificación de patrones complejos que son difíciles de modelar mediante métodos tradicionales.
Su investigación se enmarca en sus estudios doctorales y la línea del grupo de investigación estratégica en gestión de los recursos naturales la cual tiene como objetivo principal la creación de modelos predictivos que complementen y mejoren las capacidades de los modelos hidrológicos tradicionales de base física.
El futuro de las redes neuronales en el manejo de emergencias hídricas
A pesar de los avances logrados, Duque reconoce que aún queda mucho por hacer. "Este es un trabajo de carácter científico que aún se encuentra en una fase preliminar. Sin embargo, estamos convencidos de que el modelo tiene un gran potencial para ser integrado en los sistemas de alerta temprana y convertirse en una herramienta clave para la gestión de emergencias hídricas en Uruguay", comentó.
El siguiente paso en esta investigación es la validación experimental a gran escala y la obtención de los recursos necesarios para la implementación del modelo. "Es necesario invertir en servidores y en la infraestructura adecuada para garantizar que esta tecnología pueda escalarse y mantenerse a lo largo del tiempo", agregó Duque. Además, destacó la importancia de seguir colaborando con instituciones internacionales como el INPE y el CEMADEN para continuar mejorando y perfeccionando el modelo.
En cuanto al impacto de este trabajo, Duque se muestra optimista. "Hemos generado aportes nuevos y valiosos para la comunidad científica, como lo demuestra la publicación de nuestro artículo en una revista de alto impacto. Esto no sólo valida nuestro trabajo, sino que también abre la puerta a futuras investigaciones y aplicaciones de esta tecnología en otros contextos hidrológicos", concluyó.
El trabajo fue presentado por Duque en el Encuentro de Investigadores de UTEC y uno de sus estudiantes presentó parte del desarrollo durante la Conferencia Internacional en Aplicaciones de Inteligencia Artificial 2024 (CINTIA) que tuvo lugar en UTEC Durazno.
