Reconstrucciones basadas en aprendizaje automático del caudal diario y mensual histórico para los Grandes Lagos de la región de la Laurentiana

Por qué importan hoy los caudales fluviales pasados

Los Grandes Lagos contienen cerca de una quinta parte del agua dulce superficial del mundo y proporcionan agua potable, transporte, energía y recreo a millones de personas. Sin embargo, los ríos que alimentan estos lagos no siempre han sido medidos con precisión. Muchas estaciones de aforo han cerrado o presentan lagunas en sus registros, lo que dificulta conocer cuánto agua ha fluido realmente hacia los lagos en las últimas décadas. Este artículo presenta una nueva forma de “reproducir” digitalmente más de 60 años de caudal diario de los ríos que desembocan en los Grandes Lagos, ofreciendo a comunidades y planificadores una imagen mucho más nítida de los periodos secos y húmedos pasados y ayudándoles a prepararse para futuros cambios climáticos y en los niveles de agua.

Rellenando las piezas que faltan

Las estaciones de aforo son las herramientas básicas para medir cuánto agua circula por un río. En Norteamérica, miles de estas estaciones han sido descontinuadas o tienen registros incompletos debido a fallos de equipos y recortes presupuestarios. Los métodos tradicionales para rellenar las lagunas suelen centrarse en ríos individuales o utilizan modelos computacionales globales que son demasiado toscos para captar detalles locales. Pueden tener dificultades para seguir las oscilaciones diarias del caudal, que son cruciales para entender inundaciones, sequías y cómo se mueve el agua en los sistemas locales. La cuenca de los Grandes Lagos añade complejidad adicional: casi un tercio del área no tiene estaciones, la región cruza la frontera entre EE. UU. y Canadá, e incluye un mosaico de climas, suelos, ciudades, cultivos, bosques y humedales.

Enseñar a una red neuronal a leer ríos

Los autores recurren a un tipo de inteligencia artificial llamado red de memoria a largo y corto plazo (LSTM), una forma de red neuronal diseñada para aprender patrones que se desarrollan en el tiempo. Entrenan modelos LSTM separados para cuatro periodos históricos entre 1950 y 2013, de modo que los cambios lentos en el clima, el uso del suelo y la gestión humana del agua queden mejor capturados. Cada modelo recibe tres tipos de información para cientos de cuencas de la región de los Grandes Lagos: datos meteorológicos diarios (precipitación y temperatura), rasgos físico-fijos de cada cuenca (como elevación, pendiente, suelos y cobertura del suelo) y—crucialmente—caudales procedentes de estaciones “donantes” cercanas que se comportan de manera similar. Una herramienta complementaria de aprendizaje automático aprende primero qué estaciones tienden a subir y bajar al mismo tiempo y luego selecciona los mejores donantes para cada sitio objetivo. Esta configuración permite que la red aprenda cómo la lluvia y el deshielo se traducen en caudal de los ríos a lo largo de una amplia variedad de paisajes.

De ríos individuales a lagos completos

Una vez entrenado, el modelo de mejor rendimiento (que utiliza tanto información climática como de estaciones donantes) se emplea para generar registros completos de caudal diario desde 1951 hasta 2013 para 656 ubicaciones aforadas. El equipo va un paso más allá: aplica el mismo modelo a 128 cuencas litorales que drenan directamente en los cinco Grandes Lagos—Superior, Michigan-Huron, St. Clair, Erie y Ontario. Para cada una de estas cuencas, el modelo estima los caudales en áreas sin aforos y los combina con las observaciones disponibles de estaciones interiores. Estos valores diarios se suman después para producir totales mensuales del agua que fluye hacia cada lago.

Comprobando los ríos digitales frente a la realidad

Los investigadores prueban cuidadosamente el rendimiento de su modelo en sitios que ha visto antes y en sitios que nunca se usaron para el entrenamiento. A lo largo de décadas, el modelo reproduce los caudales diarios con mayor precisión que una versión más simple que se basa solo en el clima y las características de la cuenca, especialmente cuando puede recurrir a estaciones donantes cercanas. Funciona particularmente bien para “rellenar los vacíos” en estaciones con registros parciales, y al mismo tiempo mantiene un rendimiento competitivo en cuencas completamente sin aforos. Cuando el equipo compara su reconstrucción del caudal mensual hacia los lagos con varios productos existentes usados por agencias, encuentra una fuerte concordancia en las décadas recientes y picos de caudal más claros y pronunciados en muchos casos, en especial frente a modelos que dependen únicamente de ecuaciones lluvia–escorrentía.

Qué significa esto para los niveles de agua de los Grandes Lagos

El nuevo conjunto de datos ofrece una de las visiones más detalladas y de mayor duración sobre cómo el agua ha fluido desde la tierra hacia los Grandes Lagos durante las últimas seis décadas. Para los gestores del agua, esto supone mejores entradas para los modelos de balance hídrico de los lagos, estimaciones más precisas de inundaciones y sequías pasadas y mayor confianza al planificar niveles de agua futuros inciertos bajo un clima cambiante. Dado que el método se basa en datos meteorológicos de larga duración y en redes de aforos existentes—no en registros satelitales relativamente recientes—puede extenderse hacia atrás en el tiempo y aplicarse a otras regiones del mundo que enfrentan lagunas de monitoreo similares. En resumen, este trabajo proporciona un potente “botón de rebobinado” para el caudal fluvial, ayudando a las comunidades a entender de dónde ha venido el agua de los Grandes Lagos en el pasado para gestionarla con más sabiduría en los años venideros.

Cita: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Palabras clave: caudal de los Grandes Lagos, reconstrucción de caudal, hidrología con aprendizaje automático, variabilidad del nivel del agua, impactos del cambio climático