Ríos galegos con risco de inundacións: como predecir as magnitudes de caudais con Intelixencia Artificial

"Enhancing Hydrological Modeling with Artificial Intelligence". Este é o nome dunha tese doutoral presentada hai unhas semanas por Juan Fernando Farfán Durán co obxectivo de mellorar a modelización hidrolóxica mediante a integración de Intelixencia Artificial (IA) para previr aumentos de caudais. Un traballo no que estuda os caudais dos ríos da Groba e do río Anllóns e determina tempos de entre 2 e 6 horas como tempo confiable para predecir con certa exactitude o caudal deses ríos.

A investigación céntrase nos modelos hidrolóxicos, elementos esenciais para aplicacións como a simulación do fluxo de ríos, a previsión de inundacións e a xestión de recursos hídricos. Non obstante, a súa eficacia depende frecuentemente de formulacións matemáticas precisas, datos de entrada exactos e unha calibración adecuada dos parámetros do modelo. Por iso, Farfán aborda na súa tese como mellorar a modelización hidrolóxica mediante a integración de Intelixencia Artificial (IA), centrandose en mellorar a calibración dos modelos, avanzar na modelización de conxunto para incrementar a precisión predictiva, explorar a predición de caudais en conca non aforadas e proporcionar percepcións sobre modelos de Aprendizaxe Profunda (DL) para a previsión de caudais. 

O río Anllóns pasa por Carballo e Coristanco ata case a ría de Corme e Laxe. Percorre 54,4 km polos concellos da Laracha, Carballo, Coristanco, Cabana de Bergantiños e Ponteceso. Pola súa banda, o río da Groba vai polo concello pontevedrés de Baiona. Nace e discorre pola serra da Groba, e desemboca na zona especial de conservación (ZEC) da Ramallosa, xunto cos ríos Miñor e Guillade. Ademais pasa polo núcleo de Sabarís, no que se construíu a medieval Ponte Vella, lugar de destacadas enchentes.

IA PERTO TAMÉN MÉTODOS TRADICIONAIS

Precisamente, a investigación realizou simulacións sobre o caudal destes dous ríos, onde os desafíos específicos das conca locais proporcionan un contexto único para a aplicación destas técnicas de Intelixencia Artificial. Os resultados demostran que as técnicas de IA reducen substancialmente o tempo de calibración para modelos hidrolóxicos. Con todo, tamén se puxo en evidencia a imposibilidade de utilizar só a IA para predecir con certeza determinados caudais polo que o traballo suxire que os métodos tradicionais poderían seguir sendo máis efectivos en determinadas concas galegas. 

No caso do río Groba, a precisión diminúe significativamente para prognósticos entre 3 a 12 horas. Esta diminución atribúese ao curto tempo de concentración da conca de aproximadamente 2 horas, facendo que a influencia da precipitación nas predicións de caudal sexa insignificante máis aló deste período. "En consecuencia, os modelos de DL teñen dificultades para establecer unha relación sólida entre as variables de entrada e saída en tempos de anticipación estendidos", recolle o traballo.

En contraste, o río Anllóns mantén unha precisión de predición relativamente consistente en diferentes tempos de anticipación, con resultados confiables até 6 horas. Con todo, para predicións de 12 horas, obsérvase un atraso na aliñación dos datos, cun menor impacto debido ao tamaño da conca comparado co río Groba.

"Os resultados suxeriron que agregar máis datos históricos non necesariamente mellora a precisión das predicións para tempos de anticipación máis longos, xa que nestes non se captura o estado actual do sistema hidrolóxico", apunta  Juan Fernando Farfán Durán na súa investigación. Así, por exemplo, no río Groba, incorporar datos de 15 pasos e tempo previos non mellorou as predicións a 12 horas de anticipación, o que destaca a importancia dos datos próximos ao evento en concas con tempos de concentración curtos.

USO DA IA EN ÁREAS DE ESCASOS DATOS METEREOLÓXICOS

Os datos de precipitación obtivéronse de estacións ao redor das concas, marcando a aplicación inicial de modelos de Aprendizaxe Profunda (DL) na rexión de estudo. "As direccións futuras de investigación inclúen o uso de datos satelitais para precipitación e temperatura para estender a aplicación das técnicas de DL presentadas", apunta o estudo. Así, salienta que este enfoque podería expandir significativamente o prognóstico de caudais a áreas con escasos datos meteorolóxicos. "Ademais, a aplicación de modelos de DL podería ampliarse para a predición rexional de caudais, mellorando a utilidade do modelo en concas non aforadas e integrando prognósticos de precipitación para estender os tempos de anticipación das predicións, especialmente en concas máis pequenas", conclúe.

Juán Fernando Farfán Durán é Investigador do Grupo de Enxeñaría Ambiental e da Auga, do Centro da Innovación Tecnolóxica na Construción e a Enxeñaría Civil (CITEEC) da Universidade da Coruña, A Coruña. Está especializado en Hidroloxía e Xestión de Recursos Hídricos e en Inteligencia Artificial. A súa tese foi dirixida polo catedrático da Facultade de Enxeñaría Civil, Luís Cea Gómez.