Integración de inteligencia geoespacial y aprendizaje automático para el mapeo de susceptibilidad a inundaciones

Por qué importa para las personas y los lugares

Las inundaciones están entre los desastres naturales más destructivos, y se vuelven más frecuentes y costosas a medida que las ciudades se expanden hacia los valles fluviales y el clima se calienta. Sin embargo, muchas regiones aún carecen de mapas detallados y fiables que muestren exactamente qué áreas son más propensas a inundarse. Este estudio explica cómo los científicos combinaron observaciones satelitales, datos geográficos y técnicas avanzadas de aprendizaje por ordenador para crear mapas de "susceptibilidad" a inundaciones altamente precisos para una cuenca fluvial grande y compleja en Irán. El enfoque que desarrollaron podría ayudar a urbanistas y comunidades de todo el mundo a comprender mejor dónde es más probable que ocurran inundaciones futuras.

Comprender una cuenca fluvial en riesgo

La investigación se centra en la Gran Cuenca del río Karun, en el suroeste de Irán, hogar del río más grande del país y de millones de personas, explotaciones agrícolas e industrias. Esta cuenca incluye montañas elevadas, valles profundos y llanuras bajas, además de más de 40 presas y un historial de inundaciones severas, incluida un evento destructivo en 2019. Debido a que el paisaje y el clima varían tanto a lo largo de la cuenca, predecir dónde se acumulará el agua durante fuertes tormentas es un desafío. Los autores reunieron un conjunto rico de información geográfica que describe el clima (lluvia, temperatura, evaporación, nieve), la hidrología (ríos, presas, patrones de drenaje), la cobertura del suelo (vegetación, suelos, geología, áreas urbanas) y la topografía (elevación, pendiente e índices relacionados). Usando registros satelitales de inundaciones que cubren 2000–2019, identificaron dónde habían ocurrido inundaciones para entrenar y evaluar sus modelos.

Enseñar a las máquinas a reconocer terrenos propensos a inundarse

Para convertir estos datos en mapas de susceptibilidad a inundaciones, el equipo utilizó una familia de métodos de aprendizaje automático: algoritmos informáticos que aprenden patrones a partir de ejemplos en lugar de seguir ecuaciones fijas. Entrenaron cinco modelos diferentes: un modelo estadístico tradicional (llamado modelo lineal generalizado) y cuatro modelos basados en árboles que son especialmente buenos manejando relaciones complejas y no lineales (Decision Tree, Random Forest, XGBoost y LightGBM). Cada modelo recibió las mismas entradas: mapas que representan los factores ambientales y un registro de qué lugares se habían inundado y cuáles no. Los algoritmos aprendieron a asociar combinaciones de factores —por ejemplo, terrenos bajos junto a ríos con vegetación escasa— con una mayor probabilidad de inundación.

Combinar muchos modelos en una guía sólida

En lugar de elegir un único modelo "mejor", los investigadores construyeron un ensamblaje, o modelo de votación, que mezcla las estimaciones de probabilidad de los cinco modelos base para cada ubicación de la cuenca. En vez de emitir un voto simple de sí o no, cada modelo aporta una probabilidad de que un píxel dado sea propenso a inundarse, y el ensamblaje calcula un promedio. Esta estrategia de votación "blanda" reduce la influencia de los errores de cualquier modelo individual y enfatiza las ubicaciones donde los distintos enfoques coinciden. El resultado final es un mapa continuo de susceptibilidad a inundaciones, posteriormente agrupado en cinco clases intuitivas, desde muy baja hasta muy alta, para que los responsables de la toma de decisiones puedan interpretarlo fácilmente.

¿Qué tan bien funcionó y qué factores importan más?

El modelo ensamblado demostró ser notablemente preciso. Cuando se probó con datos independientes, distinguió correctamente áreas inundadas de no inundadas con una puntuación de Area Under the Curve (AUC) de 0,994, mejor que cualquier modelo individual y muy superior a lo esperado por azar. Las zonas de alta y muy alta susceptibilidad coincidieron estrechamente con las ubicaciones de inundaciones observadas, especialmente en las llanuras downstream de la provincia de Juzestán. Un análisis de qué factores fueron más relevantes mostró que la distancia a los cursos de agua, la pendiente del terreno y la densidad de vegetación (medida desde imágenes satelitales) fueron los predictores más fuertes de susceptibilidad a inundaciones, con la elevación, la acumulación de flujo, la distancia a presas y la precipitación aportando información secundaria importante. En términos sencillos, estar cerca de los ríos, en terrenos más empinados o convergentes y carecer de vegetación densa aumenta considerablemente la probabilidad de que un área se inunde.

De los mapas a la acción

Para un público general, la conclusión es que este estudio demuestra una forma poderosa de "enseñar" a los ordenadores a leer el paisaje y señalar dónde es más probable que ocurran inundaciones, incluso en regiones extensas con pocos datos. Al fusionar registros satelitales de inundaciones pasadas con mapas detallados de clima, terreno, ríos y uso del suelo, y al combinar varios modelos de aprendizaje automático en un ensamblaje único y más robusto, los autores produjeron mapas de susceptibilidad a inundaciones altamente fiables para la Gran Cuenca del Karun. Tales mapas pueden guiar la colocación más segura de viviendas e infraestructuras, orientar políticas de uso del suelo y gestión de presas, y apoyar la planificación de alertas tempranas y emergencias. Como el método se basa principalmente en datos disponibles globalmente y en herramientas de uso generalizado, puede transferirse a otras cuencas fluviales del mundo, ayudando a las comunidades a anticipar y reducir los daños por inundaciones antes de que suban las aguas.

Cita: Rahimi, M., Malekmohammadi, B., Firozjaei, M.K. et al. Integrating geospatial intelligence and machine learning for flood susceptibility mapping. Sci Rep 16, 10228 (2026). https://doi.org/10.1038/s41598-026-41014-3

Palabras clave: mapa de susceptibilidad a inundaciones, aprendizaje automático, datos geoespaciales, gestión de cuencas fluviales, reducción del riesgo de desastres