Modelos fundacionales de IA logran pronosticar caudales en cuencas sin datos
Un estudio de la Universidad de Texas en Austin y la empresa Hydrotify, publicado en Machine Learning: Earth, demuestra que los modelos fundacionales —los mismos enfoques de IA entrenados con enormes volúmenes de series de tiempo— pueden pronosticar el caudal de los ríos aun en cuencas sin registros históricos.
De los grandes modelos al agua
A diferencia de un modelo entrenado para una sola cuenca, un modelo fundacional aprende patrones generales de cómo varían las series temporales y luego los transfiere a sitios nuevos. En hidrología esto significa estimar caudales en lugares no monitoreados, donde los métodos tradicionales fracasan por falta de datos de calibración.
- Mejora la alerta temprana de crecidas en zonas sin instrumentación.
- Apoya la planificación de sequías y la asignación de agua.
- Reduce el costo de extender el monitoreo a cuencas remotas.
Relevancia para Chile
En cuencas andinas y del norte de Chile, donde las estaciones son escasas, este enfoque podría complementar la red fluviométrica y entregar pronósticos útiles para riego, agua potable rural y operación de embalses.
Fuente: Phys.org / University of Texas at Austin — phys.org
