Inteligencia artificial “guiada por la física” mejora el pronóstico de crecidas sin recalibración manual
El pronóstico de crecidas vive una tensión clásica: los modelos físicos respetan las leyes de la hidrología pero exigen una calibración lenta y manual, mientras que el aprendizaje automático puro es rápido pero puede dar resultados que violan la física. Un equipo de la Universidad de Minnesota propone un punto medio que ya está dando frutos: el aprendizaje automático guiado por el conocimiento (KGML, por sus siglas en inglés).
Qué es KGML
La idea, impulsada por el grupo de Vipin Kumar, es incrustar principios físicos dentro del modelo de IA, de modo que aprenda de los datos observados pero quede obligado a respetar las leyes fundamentales del ciclo del agua. El resultado es un modelo híbrido que combina lo mejor de ambos mundos: la flexibilidad del aprendizaje automático y la coherencia de un modelo basado en procesos.
La ventaja práctica
- El sistema aprende solo el estado de la cuenca (humedad del suelo, almacenamiento) a partir de datos, sin necesidad de recalibrar a mano cada vez.
- Predice caudales y niveles de crecida con más precisión que los métodos que hoy se usan a lo largo de EE.UU.
- Al eliminar el ajuste manual, es más escalable y rápido de operar durante una emergencia, justo cuando el tiempo apremia.
Dónde se publicó
Los resultados aparecieron en la revista Water Resources Research y en las actas de la conferencia IEEE International Conference on Data Mining. No es un producto comercial todavía, sino una línea de investigación que muestra cómo la IA puede asistir —no reemplazar— a los pronosticadores para salvar vidas y proteger infraestructura ante eventos extremos cada vez más frecuentes.
Relevancia para América Latina
En cuencas con pocos datos históricos y estaciones dispersas —la norma en buena parte de la región— los modelos híbridos que no dependen de una calibración fina son especialmente atractivos. Combinados con datos satelitales (como los de SWOT), abren la posibilidad de sistemas de alerta temprana más baratos y robustos donde hoy casi no existen.
Fuente: Phys.org — phys.org (investigación de la U. de Minnesota, Water Resources Research, 2025).
