22 Jul Un modelo de Inteligencia Artificial anticipa la magnitud de las inundaciones en Paiporta

Un modelo de Inteligencia Artificial anticipa la magnitud de las inundaciones en Paiporta

 

Predecir a escala detallada el área afectada por una inundación relámpago extrema y el calado o nivel del agua alcanzado es posible con herramientas de Inteligencia Artificial (IA). Esta capacidad innovadora representa un avance crucial para la prevención y gestión del riesgo de inundaciones catastróficas en la Comunidad Valenciana. En el marco del proyecto ‘EN PEU’, un equipo de investigación de la Fundación Matrix, con participación de especialistas de varias universidades y centros de investigación, ha desarrollado el primer modelo predictivo de la magnitud de una inundación extrema mediante IA en España. Gracias a los métodos de la ciencia de datos, y en concreto al uso de algoritmos de aprendizaje automático supervisado, ha logrado producir un mapa del peligro de inundación de alta precisión aplicado al caso de Paiporta, una de las localidades más afectadas por las inundaciones del 29 de octubre de 2024 (29-O). Es una alternativa disruptiva a los mapas basados en modelos hidráulicos tradicionales. Este nuevo enfoque ofrece a los Ayuntamientos una herramienta útil y fiable para adaptar el planeamiento urbanístico, anticipar el riesgo en emergencias de inundaciones y, en última instancia, salvar vidas.

 

Los mapas de áreas inundables actualmente disponibles no reflejan de forma adecuada la magnitud real de las inundaciones relámpago como la ocurrida el 29 de octubre de 2024 en la Comunidad Valenciana. Las zonas efectivamente inundadas y los calados (profundidad de la lámina de agua o altura del agua desde el suelo) observados durante este episodio extremo no coinciden con las estimaciones recogidas en la cartografía oficial del Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO) –de la Confederación Hidrográfica del Júcar (CHJ) –, ni con la de la Generalitat Valenciana (GVA). Estas herramientas cartográficas subestiman de forma significativa el riesgo asociado a este tipo de eventos extremos, lo que pone de manifiesto la necesidad urgente de revisar y actualizar los modelos y mapas utilizados para la gestión del riesgo de inundación.

Esta insuficiencia está explícita en la ‘Propuesta de Plan para la recuperación y mejora de la resiliencia frente a las inundaciones en el territorio afectado por la DANA en la Comunidad Valenciana’ del MITECO y en el resumen del ‘Plan de Recuperación Económica y Social de la Comunidad Valenciana (Plan ENDAVANT). Ambos documentos coinciden en la necesidad de revisar la cartografía de peligrosidad y riesgo de inundaciones.

Sólo parte de las áreas afectadas por la DANA del 29-O se identifican como zona de alta peligrosidad de inundación en el vigente Plan de acción territorial de carácter sectorial sobre prevención del riesgo de inundación en la Comunitat Valenciana (PATRICOVA). Por este hecho, la Conselleria de Medio Ambiente, Infraestructuras y Territorio de la GVA ha adoptado recientemente (12/06/25) de manera oficial la cartografía del área inundada el 29-O. Actualiza así la información espacial de las zonas inundables en los municipios afectados, siendo una decisión con efectos jurídicos para todas las Administraciones implicadas, es decir, “para cualquier procedimiento urbanístico o de reconstrucción en los municipios afectados”. También un estudio hidrológico territorial de la riada del 29-O de la Universidad de Valencia considera que es imprescindible actualizar el PATRICOVA.

 

¿Por qué fallan los mapas que manejan las Administraciones?

El área inundable y el calado son criterios y atributos relevantes de los mapas asociados a la evaluación territorial para prevenir el riesgo de inundaciones. Los mapas elaborados por las Administraciones difieren porque se derivan de simulaciones hidráulicas muy sensibles a los datos físicos de entrada derivados de modelos digitales del terreno (MDT) –resolución espacial, correcciones, etc.– y de los criterios técnicos aplicados en los modelos de simulación (parámetros y condiciones), como se aprecia en los mapas de tres municipios de Valencia (Figura 1).

Además de esta explicación que justifica por qué no es precisa la cartografía de peligrosidad y riesgo de inundación para la Comunidad Valenciana, existen dos razones generales principales. La primera es que no se considera el concepto de inundación relámpago en toda su dimensión, ni la distinguen de forma operativa de una inundación una gradual–, tampoco se integra adecuadamente el cambio global en la evaluación del riesgo de inundaciones.

La planificación de la prevención del riesgo de inundaciones ignora los fenómenos hidrometeorológicos extremos, cuya frecuencia e intensidad se ha acentuado por el cambio climático en la Comunidad Valenciana y su variabilidad geográfica. En esta planificación, las lluvias torrenciales de alta intensidad horaria y persistentes, las crecidas excesivas de caudal (que superan capacidad del cauce) y las inundaciones relámpago de gran magnitud, son fenómenos con una baja probabilidad de ocurrencia. Se considera que eventos como las inundaciones del 29-O tienen un periodo de retorno de mil años, siendo por tanto eventos extraordinarios. Por tanto, en la práctica se excluye su previsión de ocurrencia, ya que estiman su peligro como muy bajo por su pequeña probabilidad. La normativa estatal, por ejemplo, establece la necesidad de elaborar mapas de peligrosidad por inundaciones para diferentes escenarios en aquellas zonas con un riesgo potencial de inundación, y define “baja probabilidad de inundación o escenario de eventos extremos (periodo de retorno igual a 500 años)”.

Al contemplar escenarios de simulación con periodos de retorno de hasta 500 años, ignoran en los cálculos la posibilidad de ocurrencia y, por tanto, sus mapas infraestiman la magnitud de la amenaza de este tipo de inundaciones en la Comunidad Valenciana. Precisamente, la evaluación de los Segundos Planes de Gestión del Riesgo de Inundación de España por la Comisión Europea de febrero de 2025 recomienda, “tener en cuenta el cambio climático en el desarrollo de los mapas de peligrosidad y riesgo de inundaciones”.

Paiporta después de la riada del 29-O. Fuente: captura de video de dron de RTVE

Además de esta rigidez conceptual y normativa mencionada, existe una segunda razón de gran relevancia: utilización de modelos muy rigurosos, sustentados en una sólida base teórica, pero con limitaciones significativas. Su uso exclusivo resulta técnicamente insuficiente y a veces ofrece una representación simplificada del riesgo, en particular del riesgo extremo o catastrófico.

Ya sea por inercia o inflexibilidad operativa, o por falta de innovación metodológica, la estimación de la peligrosidad de inundación es mejorable. El cálculo de la extensión del área inundable y del calado depende básicamente de la capacidad hidráulica del cauce desbordado, de la topografía vecina, y en el mejor de los casos, de los principales obstáculos a los flujos de agua. Pero la realidad es que el territorio es muy heterogéneo a escala local. Las Administraciones no consideran de forma precisa ni completa todos los factores condicionantes de la peligrosidad local, bien por falta de información actualizada del territorio, o bien porque la escala espacial de análisis es subregional.

Usan diferentes modelos de simulación del flujo del agua en el espacio y en el tiempo, como HEC-RAS o Iber, alimentados en su caso con datos hidrológicos, como el caudal de entrada –derivado de estimaciones de datos meteorológicos–, y topográficos inherentes a los MDT, como la ubicación, trazado y geometría del cauce. Mediante ecuaciones matemáticas basadas en principios físicos de ingeniería hidráulica, generan datos de calado, velocidad de flujo y caudal en cada punto de un territorio ­–entre otras variables– y delimitan la zona inundable, permitiendo elaborar mapas de peligrosidad. El rigor técnico y la apariencia formal de estos modelos deterministas son indiscutibles. Sin embargo, aunque estos modelos hidráulicos son muy útiles en numerosas aplicaciones, lamentablemente pueden producir resultados con una precisión limitada, y esto a su vez condicionar su utilidad, en particular en análisis de alta resolución espacial de eventos extremos.

¿Por qué? En primer lugar, porque no incorporan todas las variables relevantes y dependen de variables de entrada y del territorio estimadas, indirectas, o segadas (con incertidumbre o no actualizadas). También porque no capturan óptimamente la compleja influencia de las infraestructuras o el tipo de vegetación sobre la dirección y caudal de los flujos desbordados en la cuenca, o la capacidad de reducción de la velocidad de flujo o de laminación del caudal, por ejemplo, ya que dependen de relaciones estocásticas.

Puentes sobre el cauce de un barranco, edificios en la trama urbana, naves y la vegetación (áreas de cultivo de cítricos, hortalizas, etc.) de la llanura aluvial inundable adyacente en la Huerta Sur, son obstáculos físicos con una variable permeabilidad o resistencia a los flujos de agua desbordados. Estos obstáculos pueden modificar de manera significativa las trayectorias locales de los flujos, generando zonas de recirculación o desbordamiento que no son capturadas adecuadamente por las simulaciones hidráulicas convencionales a escala de cuenca. En consecuencia, los valores del calado obtenidos a partir de estos modelos a menudo son insuficientes para evaluaciones y aplicaciones detalladas operativas a escala local.

El calado y la superficie inundada en una localidad concreta son muy variables en el territorio. No son el resultado simplemente de la topografía local o vecina al origen de los flujos desbordados con alta velocidad de un barranco, por ejemplo. Es decir, no dependen sólo de la cota o altitud del lugar inundable respecto a la cota del margen del barranco, de tal modo que áreas más bajas alcanzan una mayor altura del agua y las más altas, una altura menor.

Predecir el calado es una tarea más ardua ya que su valor puede estar condicionado por la existencia de relaciones no lineales y una compleja interdependencia entre factores locales hidrológicos, geomorfológicos, y de ocupación del territorio por vegetación, edificios y usos humanos. Estos factores generan una aleatoriedad en el resultado de las predicciones. Por eso para predecir la magnitud de las inundaciones los modelos estocásticos y basados en IA pueden presentar algunas ventajas frente a los  deterministas.

No obstante, hay que poner en valor el meticuloso y valioso trabajo de cálculo de la variabilidad espacial de las aportaciones de lluvias y de simulación hidráulica para recrear el evento del 29-O que está realizando el CEDEX, por encargo de la Dirección General del Agua del MITECO. Sus resultados provisionales se han presentado y usado para elaborar la ‘Propuesta de Plan para la recuperación y mejora de la resiliencia frente a las inundaciones en el territorio afectado por la DANA en la Comunidad Valenciana’.

 

 

Importancia de un mapa local del calado

La consideración de la peligrosidad y riesgo por inundaciones en los instrumentos de planeamiento urbanístico de los municipios en España es deficiente. Identificar y comprender los factores de peligrosidad y vulnerabilidad a escala local es importante para elaborar mapas que representen la variación espacial del riesgo de inundaciones. Es vital para saber qué decisiones hay que adoptar.

El calado expresa la magnitud del peligro de inundación y permite generar mapas del riesgo asociado. Disponer de información detallada sobre esta variable es fundamental para la prevención y gestión eficaz del riesgo de inundaciones. En especial, para evitar o mitigar sus impactos destructivos, diseñar medidas de adaptación al cambio climático en áreas urbanas y, en general, integrar los fenómenos derivados de precipitaciones extremas y consecuentes inundaciones en la planificación y ordenación del territorio a escala municipal.

Además, el calado alcanzado en una inundación relámpago es una variable observable clave para estimar el impacto local de este evento hidrometeorológico extremo. Recordemos que la capacidad destructiva asociada a la energía hidráulica del flujo del agua, presión hidrostática y presión hidrodinámica depende estrechamente del calado, según los principios físicos usados en ingeniería ambiental, civil o hidroeléctrica.

Por esta razón es importante la predicción detallada y precisa del calado y desarrollar herramientas innovadoras que permitan estimar con fiabilidad esta variable crítica.

Es fundamental elaborar un mapa local y fiable del calado de una inundación relámpago en los municipios de la Comunidad Valenciana. Esto es, una representación gráfica que facilite el conocimiento espacial de un evento de inundación extrema que tanto nos concierne.  Un mapa es una solución visual a un problema espacial, como decía el geógrafo J.B Harley, considerado padre de la cartografía crítica. Un mapa detallado de la predicción de la magnitud de una inundación relámpago extrema representa una ‘solución’ al problema de prevención de este riesgo catastrófico y en concreto al de visualización fiable de la peligrosidad de inundaciones a escala local.

Un mapa local de peligrosidad de inundación relámpago es una herramienta clave de protección civil y para los planes de emergencia, para salvar vidas humanas. Conocer las zonas que pueden inundarse y el calado que se puede alcanzar es útil para establecer medidas preventivas (antes de la emergencia), como actividades de concienciación de la población, protocolos de actuación, identificar zonas de refugio o rutas de evacuación, por ejemplo. También para definir medidas de respuesta cuando la emergencia es inminente, como activación del plan de actuación, avisos a la población, acciones de evacuación preventiva de personas vulnerables, o cortes de acceso a zonas más peligrosas, entre otras.

 

Inundaciones y modelos de IA

En el Marco de Sendai para la Reducción del Riesgo de Desastres, Naciones Unidas promueve la aplicación de inteligencia artificial para mejorar los modelos predictivos y sistemas de alerta temprana. Así se reconoce expresamente la necesidad de innovación en el Informe de Evaluación Global sobre Reducción del Riesgo de Desastres 2025. De hecho, se esperan soluciones revolucionarias a las preguntas de investigación usando IA para anticipar riesgos de desastres con más precisión y predecir su ocurrencia, severidad e impactos en cascada.

Los modelos basados en IA son una alternativa moderna cada vez más utilizada para predecir la ocurrencia y magnitud de las inundaciones, así como sus riesgos, a nivel mundial (Cuadro 1). Sin embargo, en España la investigación en este campo todavía es incipiente y las Administraciones no han incorporado aún la IA a la prevención del riesgo de inundaciones. Hasta la fecha, no se conocen antecedentes de aplicación predictiva de IA a inundaciones relámpago a escala local en nuestro país, a pesar de su gran potencial.

En ciencia de datos, un modelo de IA es un sistema computacional capaz de resolver problemas complejos. Transforma datos en información relevante. Un modelo predictivo es el resultado de utilizar un algoritmo específico, es decir, un conjunto de instrucciones definidas para estimar cómo se comporta una variable objetivo —aquella que queremos predecir— a partir de otras variables predictoras, o de entrada, que son las que influyen sobre ella. En nuestro caso, la variable objetivo a predecir es el calado: un valor de 0 cm cuando un lugar no se inunda y un valor numérico positivo cuando se inunda (por ejemplo: 83 cm, 120 cm, 220 cm, 305 cm, etc.).

La predicción precisa del calado requiere que el algoritmo utilice un conjunto de datos adecuado, compuesto por diversas variables predictoras relevantes. Un modelo de IA se considera robusto y fiable si es capaz de generar predicciones precisas bajo diferentes condiciones o escenarios.

Los algoritmos supervisados de aprendizaje automático (machine learning) se encuentran entre los más usados en IA. Este tipo de algoritmo detecta patrones complejos o regularidades en la estructura de los datos que relacionan las variables predictoras con los valores observados de la variable objetivo. El algoritmo analiza cómo se relacionan estas variables y aprende a predecir mediante un proceso llamado entrenamiento. Comparando sus predicciones con lo que realmente ocurrió (en nuestro caso, el calado observado tras el evento extremo del 29-O), el algoritmo ajusta reglas matemáticas específicas, creando un modelo capaz de estimar con precisión.

Un modelo eficaz predice con buena precisión incluso en situaciones complejas. Es el resultado de un proceso de aprendizaje automático eficiente que se adapta a diferentes realidades territoriales con predicciones fiables. El Cuadro 2 describe las fases de construcción del modelo y la descripción técnica detallada para generar un buen modelo predictivo y visualizar sus resultados.

En España sólo se ha manejado un modelo subrogado basado en IA muy reciente (concretamente utilizando redes neuronales artificiales entrenadas a partir de los resultados de modelos hidráulicos) aplicable a situaciones de alerta temprana y emergencia por inundaciones, con simulaciones en tiempo casi real, cuyas ventajas principales son acortar el tiempo de computación.

FIGURA 2. Sección transversal del barranco de la Horteta (Torrent), tributario del barranco del Poyo.  Es una de las 25 secciones medidas en un estudio de campo de la Universidad de Valencia para estimar los caudales máximos en las inundaciones relámpago del 29-O, usando también datos de la Confederación Hidrográfica del Júcar, publicado en la revista ‘Hydrology’. Fuente: Muñoz, Soria y Molner (2025)

 

Modelo predictivo robusto

Las simulaciones hidrodinámicas descriptivas de la inundación relámpago del 29-O en la cuenca del Poyo calculan un caudal máximo entre 3.600 m³/s y 4.000 m³/s, según estimaciones de estudios realizados por la UPV y el CEDEX. Un estudio de la Universitat de València (UV) –basado en el método empírico con trabajo de campo (Figura 2)– publicado en la revista ‘Hydrology’ estima un caudal pico de unos 5.700 m³/s aguas arriba de Paiporta (Torrent). Finalmente, según un estudio empírico de la variabilidad espacial de los volúmenes de precipitación en la cuenca del Poyo con participación de la UV, AEMET y AVAMET –de alta resolución espacial y el más completo conocido–, concluye que la riada pudo superar los 6.600 m³/s .  En cualquier caso, es un caudal voluminoso que excede la capacidad hidráulica del tramo del barranco del Poyo en Paiporta, estimada entre 1.000 m³/s (con desbordamientos en zonas bajas) y 1.700 m³/s.

El desbordamiento de este caudal excedente es el factor directo que desencadenó la inundación extrema ocurrida en Paiporta y otros municipios de esta cuenca. Este fenómeno constituye el marco contextual para desarrollar un modelo de IA para la estimación del calado a escala local con fines preventivos, siguiendo las fases descritas en el Cuadro 2.

Para el desarrollo del modelo, usamos como caso de estudio el municipio de Paiporta, situado en esta cuenca, en la zona cero de las inundaciones catastróficas del 29-O. Su superficie total es 3,9 km² y muy llana, con una pendiente predominante inferior al 3%. Mediante las herramientas de un Sistema de Información Geográfica (SIG) definimos una malla o cuadrícula ráster en este territorio formada por celdas de 10×10 m, un conjunto de alrededor de 40.000 celdas, que definen las unidades elementales de análisis de datos geoespaciales. Excluimos la superficie correspondiente al espacio ocupado por el barranco del Poyo (representa el 3,6% de la superficie total), que discurre por este territorio a lo largo de 4,2 km en dirección sureste. Este es el espacio geográfico de predicción con alta resolución espacial donde obtenemos datos de determinadas variables geoespaciales y del calado observado en cada celda.

El valor observado de la variable calado procede de un estudio pionero de la profundidad de la lámina de agua alcanzada por la inundación relámpago en todo el territorio de Paiporta, obtenido a partir de medidas directas in situ, y geoprocesamiento y análisis espacial con herramientas SIG.

Usamos un total de nueve variables geoespaciales de potencial influencia sobre el calado. Define un conjunto de más de un millón de datos, que dividimos en un subconjunto de entrenamiento (80% de los datos) y el resto se es el subconjunto de prueba, que utilizamos para la evaluación.

Las variables geoespaciales seleccionadas están vinculadas a los procesos hidrológicos y a los comportamientos hidráulicos que condicionan la trayectoria, circulación y acumulación de los flujos de agua generados por el desbordamiento del barranco a escala local. Son indicadores de los factores subyacentes e interdependientes que pueden condicionar potencialmente la variabilidad espacial local de la extensión y profundidad de la lámina de agua generada por la inundación súbita del 29-O.

Las variables geoespaciales empleadas son cuantitativas y cualitativas. Algunas describen características del medio físico natural y otras son resultado de la urbanización del territorio. Estas variables dependen del trazado y las características geométricas del barranco, la ubicación de algunas infraestructuras viarias sobre su cauce, así como de la textura urbana, definida por la distribución espacial, tipología y densidad de edificios y la presencia de espacios abiertos en áreas urbanas y periurbanas. Las variables geoespaciales representan cuatro tipos de atributos del territorio: geomorfología o topografía, ubicación y geometría del barranco, usos del suelo, y anchura y orientación de las calles y espacios sin edificios.

Las variables geoespaciales concretas usadas son las siguientes: altitud y pendiente del terreno, derivadas de un MDT de alta resolución espacial del Institut Cartogràfic Valencià (ICV), variables clásicas en los modelos de simulación hidráulica o de IA de inundaciones); cuatro variables indicadoras de la capacidad de inundación del barranco –es decir, de su potencial para desbordar y acumular agua en su entorno–, calculadas mediante geoprocesamiento y análisis espacial con herramientas SIG, que miden la distancia al borde del cauce, a los obstáculos sobre el cauce, o ponderan esta distancia con otras variables geométricas, como la sección transversal del cauce (dependiente de su anchura y profundidad, indicador parcial de su capacidad de conducción de agua; Figura 2) y la curvatura del cauce (indicador del volumen y las trayectorias de los flujos desbordados); clase de cobertura y usos del suelo (se han distinguido cultivos agrícolas, edificios de cualquier uso, espacios verdes urbanos, espacios de suelo desnudo y sistema viario); ancho de las calles y espacios abiertos (medida), y clases de dirección predominante de las calles (perpendicular, oblicua o paralela al cauce, u otra). Las tres últimas variables se obtienen mediante análisis digital de imágenes y geoprocesamiento con SIG.

La selección adecuada de variables definió un conjunto de datos rico, representativo y cuidadosamente elaborado, que garantiza la calidad del modelo. Se asegura así la presencia de un rango amplio y equilibrado de valores del calado y de sus posibles predictores, evitando sesgos perjudiciales para el entrenamiento. El poder está en los datos, afirma Sara Robisco, científica de datos especialista en deep learning, en su libro «Historia de la Inteligencia Artificial»,

La influencia de cada variable puede ser independiente, antagonista, sinérgica o compleja. Para explorarlas, se utilizaron tres tipos de algoritmos de IA que aprendieron a predecir el calado, generando tres modelos supervisados de aprendizaje automático (Cuadro 2).

Para el entrenamiento de los modelos usamos los valores del calado observado y de las variables geoespaciales del subconjunto de datos de entrenamiento. Después, realizamos la predicción del calado, usando los modelos obtenidos con el subconjunto de datos de prueba. A continuación, la evaluación de los modelos mediante métricas de precisión para seleccionar el mejor. El modelo Random Forest presenta el mejor rendimiento de los tres obtenidos, aunque todos son buenos. Se trata de un modelo preliminar, y caben mejoras técnicas que se están desarrollando. No obstante, podemos afirmar con seguridad que es robusto, potente y aplicable. El Cuadro 3 describe las principales características y ventajas del modelo seleccionado.

Es un modelo predictivo excelente. El modelo usa las variables geoespaciales predictoras y explica alrededor del 96% de la variabilidad espacial del calado en el municipio a escala detallada. La precisión del calado es muy alta, ya que el error medio en la predicción es menor de ±13 cm. La Figura 3 es un gráfico de dispersión que muestra la relación entre el calado predicho por el modelo y el calado observado. La línea de regresión ajustada expresa una relación aproximadamente lineal (con una pendiente próxima a 1). Refleja que la potencia predictiva del modelo es muy alta.

El mapa de la Figura 4 visualiza el calado de una inundación relámpago extrema en Paiporta predicho por el modelo de IA.

 

Modelo consistente y variables explicativas

El desbordamiento de un barranco por una avenida torrencial extrema sucede cuando un caudal excesivo supera de forma repentina la capacidad de conducción del cauce y se produce una inundación relámpago. ¿Cómo se propaga una inundación extrema a nivel local y qué condiciona su extensión espacial? ¿Qué variables geoespaciales locales influyen de manera determinante en la magnitud del calado alcanzado repentinamente en el área afectada?

En el modelo de IA, todas las variables geoespaciales utilizadas influyen en la predicción, aunque con una importancia relativa diferente. ¿Cuánto contribuye cada variable al resultado del modelo?

Cinco variables geoespaciales destacan por su influencia sobre el calado, a través de la compleja dinámica hidráulica que generan los flujos desbordados. Un mayor calado por una inundación relámpago extrema es consecuencia de: una mayor capacidad de inundación del barranco por sus dimensiones, asociado probablemente un mayor volumen de los flujos desbordados en su entorno; una mayor proximidad a los obstáculos sobre el cauce del barranco, ya que éstos ocasionan obstrucciones en la dirección del flujo principal y desvían volúmenes de agua a los márgenes de su entorno (Figura 5); y presencia de lugares de menor altitud, ya que la dirección natural de los flujos es desde las cotas más altas a las más bajas, y éstas son áreas de convergencia del volumen de los flujos (aunque el rango de altitud sobre el nivel del mar es sólo 20 m en el municipio).

También la curvatura del cauce del barranco afecta a la inundabilidad, aunque no está tan claro en el rango intermedio de valores de esta variable. Un mayor calado por una inundación relámpago se observa en las zonas con una mayor distancia a tramos de mayor curvatura (Figura 6). La explicación hidráulica es que causa una sobreelevación local del nivel del agua en el cauce y un reparto diferencial de los flujos laterales desbordados, en más superficie hacia el margen externo o cóncavo –siguiendo la tangente por inercia–, al perder cierta efectividad de la capacidad de conducción del cauce.

 

Una mayor proximidad al borde del barranco determina un mayor calado por una inundación relámpago extrema, ya que supone cercanía a la fuente de dispersión lateral de volúmenes.

De estas cinco variables, la capacidad de inundación del barranco por sus dimensiones es la más relevante. Las otras cuatro tienen una importancia relativa notable. Otras variables son menos relevantes, aunque también influyen. La pendiente del terreno local influye levemente en la predicción del calado, y de una forma opuesta a la altitud, aunque su importancia es menor. Se alcanza un calado mayor al aumentar la pendiente, quizá debido a la variación geomorfológica del entorno del barranco (existe un perfil transversal convexo del abanico aluvial), aunque los flujos deberían seguir la dirección de máxima pendiente topográfica y acumularse el agua en las zonas más planas. Las calles y espacios abiertos de mayor amplitud se asocian a un calado mayor, pero la relación es más compleja para espacios con menores dimensiones, ya que hay rangos de calles más estrechas con valor de calado alto. Aunque una menor pendiente se asocia a acumulación y mayor calado, por la suave pendiente del territorio municipal su importancia relativa en la predicción del calado es baja. Las calles más próximas al cauce pueden canalizar flujos desbordados, pero su importancia predictiva también es pequeña, probablemente por la configuración espacial de la trama urbana, la densidad de vías variable dentro y entre polígonos industriales, y su diferente ubicación respecto al cauce.

 

De las otras variables geoespaciales y categorías, sólo se aprecia una pequeña influencia del uso agrícola, asociado a un menor calado, si bien con una muy baja importancia predictiva.

En cualquier caso, es la combinación del conjunto de variables lo que determina la precisión del modelo, con los distintos pesos relativos observados. En las variables geoespaciales cuantitativas, se han identificado relaciones casi lineales en tres casos y no lineales en cuatro, algunas con umbrales de saturación o comportamientos más inestables o caóticos.

Esto subraya tanto la hipótesis de la complejidad de la influencia conjunta y sus interacciones, como la utilidad del modelo de aprendizaje automático supervisado para capturar la compleja hidrodinámica de los flujos desbordados y predecir con precisión el calado alcanzado a escala local.

Estos antecedentes permiten una descripción narrativa del destino del flujo excedente del barranco en condiciones de desbordamiento locales, fundamentada en datos empíricos y un modelo robusto. La anchura y profundidad local del barranco definen la capacidad de inundación que condiciona la facilidad y magnitud del desbordamiento. El agua del barranco abandona el cauce por los márgenes, circulando hacia las zonas de menor altitud adyacentes. Los puentes sobre el barranco, transversales a la dirección del flujo principal, obstruyen y, junto a la mayor curvatura del cauce, favorecen el desbordamiento hacia los márgenes del barranco, en especial en el área urbana. En los tramos con curvas muy marcadas el desbordamiento preferente es hacia el margen externo, siguiendo la dinámica característica de un curso fluvial. La proximidad al borde del barranco y la altitud relativa del terreno condicionan la dirección y el volumen de los flujos desbordados y el agua acumulada. Una vez fuera del cauce, los flujos pueden desviarse hacia otras áreas si existen pendientes laterales y se acumulan volúmenes de agua en las zonas bajas según la topografía.

El modelo desarrollado es consistente con los principios físicos reconocidos y aplicados en las disciplinas científicas y la ingeniería. Como afirmó el físico Heinrich Hertz, la coherencia con un marco teórico incrementa la confianza en el modelo y reduce su incertidumbre, al tiempo que previene interpretaciones erróneas cuando se extrapola y se aplica en territorios distintos al considerado durante su fase de entrenamiento.

Además, el modelo desarrollado se ajusta al principio de parsimonia de Occam (“La explicación más simple, con menos supuestos, suele ser la correcta”), que en aprendizaje automático significa que el modelo es eficiente, ya que predice de forma precisa basándose en datos de pocas variables, y tiene una notable capacidad de generalización. Un modelo debe ser tan simple como sea posible, sin perder capacidad explicativa, evitando complejidades innecesarias que no mejoren significativamente su precisión.

Este modelo complementa la primera evaluación de las causas generales de las inundaciones relámpago del 29-O, explicando de forma detallada algunos factores locales que condicionan su magnitud.

 

Modelo disruptivo

El modelo de IA desarrollado es disruptivo. Estima con precisión el calado de una inundación relámpago resultante de un evento hidrometeorológico extremo sin considerar variables hidrometeorológicas: ni el volumen o intensidad de lluvia, ni la escorrentía, ni hidrogramas, ni siquiera un caudal de entrada. Se basa en datos relativamente simples de un conjunto de variables de fácil obtención o cálculo con cualquier SIG, y un cuidadoso preprocesado y análisis de datos.

Este modelo representa una alternativa complementaria a los mapas derivados de modelos hidráulicos tradicionales basados en estimaciones desde datos meteorológicos e hidrológicos.

Su aplicabilidad a otros territorios requiere unas circunstancias geográficas similares y un caudal muy alto, correspondiente a una avenida torrencial de gran magnitud, y caudales punta superiores a 3.600 m³/s. Para este evento de inundación relámpago disponemos de un modelo que predice con precisión la extensión del área inundable y el calado que puede alcanzarse. Además, comprendemos las variables geoespaciales que influyen y se pueden tener en cuenta en la reconstrucción y también en el análisis y gestión de riesgos futuros.

Jordi Torres, Catedrático de Arquitectura de Computadores de la Universidad Politécnica de Cataluña, autor de «La Inteligencia Artificial explicada a los humanos» subraya las ventajas de los algoritmos modernos de IA que superan los sistemas clásicos basados en el razonamiento y capacidad humana. Según Torres, la IA aprovecha el conocimiento latente contenido en los datos y aprende automáticamente a partir de ellos, lo que revela una creatividad que supera el conocimiento que tienen los humanos. El algoritmo es capaz de capturar relaciones complejas entre variables geoespaciales y el calado, que escapan tanto al conocimiento explícito de los ingenieros que utilizan modelos hidráulicos como al de los propios desarrolladores del modelo de aprendizaje automático.

Este trabajo se enmarca en una línea de investigación aplicada del proyecto ‘EN PEU’ que combina ciencia de datos, conocimientos de disciplinas ambientales, enfoque ecosistémico, y diseño de herramientas de soporte a la toma de decisiones en prevención del riesgo de inundaciones catastróficas. Sus resultados ofrecen un punto de partida para aplicar algoritmos de IA en la predicción del calado y el riesgo asociado a una inundación relámpago, favoreciendo así una mejor gestión del territorio frente a estos fenómenos extremos, cada vez más intensos y frecuentes en la nueva realidad climática.

Hugo Suárez*, Máster en Bioinformática y Bioestadística, becario del programa de proyectos innovadores de inteligencia artificial de ANFAIA, voluntario de la Fundación Matrix, Investigación y Desarrollo Sostenible

Anderson Univio*, Ingeniero Geógrafo y Ambiental, Máster en Geoinformación, voluntario de la Fundación Matrix

Junior Flores*, Ingeniero de Datos Geoespaciales, voluntario de la Fundación Matrix

Dr. Javier Montalvo*, Profesor de Ecología de la Universidad de Vigo y Director de la Fundación Matrix

Dr. Juan Soria*, Profesor de Ecología de la Universidad de Valencia

Dr. Jorge Olcina*, Catedrático de Análisis Geográfico Regional de la Universidad de Alicante y responsable del Laboratorio de Climatología

Dra. Samira Khodayar Pardo*, Coordª del Área de Meteorología y Clima del Centro de Estudios Ambientales del Mediterráneo (CEAM), Científica Distinguida de Excelencia de la Generalitat Valenciana

Dra. Carmen Grau*, Investigadora adjunta en el Institute for Sustainable Community and Risk Management de la Universidad de Waseda (Japón), especialista en prevención, gestión y reconstrucción de desastres

Dr. Carlos Arteaga*, Profesor de Geografía y especialista en inundaciones de la Universidad Autónoma de Madrid

* Integrantes del Grupo de Investigación Transdisciplinar en Prevención de Riesgos de Inundaciones Catastróficas (GIT – PRIC)

Fecha de publicación: 22/07/2025

Extensión y cota de una inundación relámpago. El caso de Paiporta y aplicaciones preventivas

Inundaciones catastróficas en la Comunidad Valenciana: comprensión y diagnóstico de sus causas

Comprender–Concienciar–Prevenir: una perspectiva innovadora sobre el riesgo de inundación relámpago en la Comunidad Valenciana