Oráculo de IA: ¿listo para descubrir qué pasará con tu ciudad después de una catástrofe?

Científicos del Instituto Tecnológico de Massachusetts (MIT) han desarrollado una tecnología única capaz de mirar al futuro y mostrar cómo se verán las zonas tras devastadoras inundaciones. Esta herramienta, que combina modelos de inteligencia artificial y cálculos físicos, será de gran utilidad para planificar operaciones de rescate y prepararse para enfrentar desastres naturales.

La metodología, denominada "Earth Intelligence Engine" , permite generar imágenes satelitales realistas. Estas se crean a partir de datos sobre la trayectoria de tormentas, el nivel de marejadas ciclónicas y cálculos hidráulicos. Este enfoque no solo ofrece visualizaciones impactantes, sino también precisión científica, un aspecto crucial para la toma de decisiones en situaciones de riesgo.

La tecnología principal detrás del modelo son las redes adversarias generativas (GAN), que consisten en dos redes neuronales interconectadas. El generador crea imágenes basadas en datos, mientras que el discriminador evalúa su autenticidad, perfeccionando el resultado final. Este "elemento de competencia" minimiza los errores.

El equipo del MIT también incluye en la lista de "variables" parámetros físicos como características del terreno, presencia de cuerpos de agua y estructuras de protección. Esto diferencia significativamente el nuevo método de los enfoques tradicionales, que generalmente se basan exclusivamente en cifras y fórmulas, sin visualización.

La tecnología fue probada con datos del huracán Harvey, que golpeó Houston en 2017. Las imágenes satelitales generadas por la IA fueron comparadas con fotografías reales de los efectos de la inundación.

El método, que utiliza un modelo físico, permite a la IA reproducir imágenes satelitales realistas de inundaciones que coinciden completamente con los pronósticos físicos. En contraste, los sistemas de IA que funcionan sin datos físicos mostraron desviaciones, como inundaciones en áreas donde estas son imposibles debido a la topografía. Según los investigadores, este es uno de los principales problemas de las GAN tradicionales: las llamadas "alucinaciones", cuando la red neuronal genera detalles inexistentes.

En cualquier caso, se puede concluir que la visualización basada en cálculos físicos es una fuente confiable de información, que evita distorsiones y aumenta la confianza en los resultados.

El equipo prestó especial atención a que las imágenes fueran no solo informativas, sino también emocionalmente impactantes. Los datos visuales ayudan a comprender mejor la magnitud de la amenaza, especialmente en áreas locales conocidas por las personas. Según los científicos, los mapas tradicionales con códigos de colores no son suficientemente efectivos y no motivan tanto a una evacuación rápida, mientras que las imágenes realistas impactan más en la percepción del peligro.

La herramienta se ha puesto a disposición de otros investigadores. Esto permite que especialistas de diversas áreas adapten la metodología a sus necesidades, ya sea para analizar riesgos en otras regiones o estudiar las consecuencias de los cambios climáticos.

A pesar del éxito de las pruebas, el método aún está en la etapa de prueba de concepto. Para aplicarlo a otras áreas, se requiere un entrenamiento con volúmenes de datos muy grandes. Sin embargo, los autores están seguros de que ampliar la base de datos permitirá crear una herramienta universal para predecir las consecuencias de cualquier desastre natural.

El objetivo a largo plazo del equipo es integrar el sistema en los servicios locales de rescate y gestión de emergencias. Esto es especialmente importante para las regiones donde las inundaciones ocurren con regularidad.