Aprendizaje profundo mejorado con metaheurísticas para la predicción mensual de evaporación en pan bajo datos climáticos limitados

Por qué importa que el agua se evapore en la vida cotidiana

El agua desaparece de lagos, embalses y estanques agrícolas todos los días por evaporación, moldeando de forma silenciosa la cantidad de agua disponible para beber, cultivar alimentos y proteger los ecosistemas. Medir y predecir esta pérdida parece simple —solo hay que observar cómo se evapora el agua de una cubeta— pero en la práctica es difícil, especialmente en lugares con pocos instrumentos meteorológicos. Este estudio explora cómo el aprendizaje profundo moderno, guiado por estrategias de búsqueda inspiradas en la naturaleza, puede pronosticar la evaporación mensual en pan empleando solo un puñado de mediciones climáticas básicas, ayudando a las comunidades a planificar sequías, inundaciones y cambios estacionales incluso cuando los datos son escasos.

Vigilar cómo el agua desaparece de una cubeta metálica

Ingenieros e hidrólogos frecuentemente usan la “evaporación en pan” como una forma práctica de estimar la rapidez con que el agua abandona superficies abiertas. Una cubeta metálica poco profunda llena de agua representa a lagos, canales y embalses. Sin embargo, estas mediciones son susceptibles a fallos de instrumento, problemas de mantenimiento y lagunas en los registros. Las fórmulas indirectas que relacionan la evaporación con variables climáticas, como la temperatura y la radiación solar, también fallan cuando faltan datos clave. Dado que la evaporación responde de manera compleja y no lineal a las condiciones meteorológicas y del paisaje, los enfoques tradicionales pueden equivocarse al estimar cuánta agua se perderá, especialmente en regiones donde solo hay disponibles unas pocas variables climáticas básicas.

Enseñar a un modelo con memoria a leer el tiempo

Los autores se basan en un tipo de red de aprendizaje profundo llamada memoria a largo plazo (LSTM), diseñada para aprender patrones en datos ordenados temporalmente. Las LSTM actúan como una serie de “celdas de memoria” enlazadas que deciden qué conservar, qué olvidar y qué transmitir, por lo que son adecuadas para seguir las condiciones climáticas cambiantes mes a mes. En este estudio, los modelos usan solo un pequeño conjunto de entradas: temperatura mínima y máxima del aire y una medida de la energía solar entrante. El objetivo es predecir cuánta agua se evapora de un pan cada mes a lo largo de muchos años, manteniéndose fiables incluso cuando la información de entrada es limitada o incompleta.

Dejar que protozoos y escarabajos guíen la búsqueda

Entrenar una LSTM implica elegir muchos parámetros internos —como la tasa de aprendizaje, el número de unidades ocultas y la tasa de abandono— que influyen fuertemente en su precisión. En lugar de ajustarlos por ensayo y error, los investigadores emplean dos nuevos optimizadores metaheurísticos inspirados en la biología: el Optimizador Artificial de Protozoos (APO) y el Optimizador del Escarabajo Pelotero (DBO). Estos algoritmos imitan cómo los protozoos microscópicos buscan alimento, descansan y se reproducen, y cómo los escarabajos peloteros ruedan, reorientan, roban y anidan con sus bolas de estiércol. En forma matemática, sus comportamientos se traducen en estrategias de búsqueda flexibles que vagan ampliamente al principio y luego se concentran en regiones prometedoras del espacio de parámetros. Al acoplar APO y DBO a la LSTM, el estudio crea dos modelos híbridos —LSTM‑APO y LSTM‑DBO— que buscan automáticamente combinaciones de hiperparámetros que proporcionen los pronósticos de evaporación más fiables.

Probar los modelos en un paisaje de monzón

El equipo evalúa estos métodos usando 40 años de datos de dos estaciones meteorológicas del sureste de China, una región monzónica de lagos, arrozales y frecuentes inundaciones y sequías. Imitan deliberadamente las limitaciones del mundo real probando varias estrategias de partición de datos, donde entre el 70 y el 80 por ciento del registro se usa para entrenamiento y el resto para prueba. También exploran diferentes combinaciones de entradas —solo temperatura o temperatura más radiación— para ver con cuánta poca información pueden trabajar los modelos manteniendo buen rendimiento. El desempeño se juzga con medidas estadísticas comunes de error y ajuste, y mediante comprobaciones visuales como diagramas de dispersión, diagramas de Taylor y gráficos violín que comparan los patrones de evaporación observados y predichos.

Pronósticos más afinados gracias al ajuste inspirado en la naturaleza

En ambas estaciones y en todos los esquemas de partición de datos, las redes potenciadas por APO y DBO superaron de forma consistente a la LSTM estándar y a híbridos anteriores que usaban optimizadores más establecidos. En el mejor caso para la primera estación, el modelo LSTM‑APO redujo medidas clave de error casi a la mitad y afinó considerablemente la coincidencia entre la evaporación observada y la predicha. En la segunda estación, volvió a reducir los errores en torno a un 40 por ciento y aumentó las medidas de capacidad predictiva. LSTM‑DBO también logró mejoras sustanciales —normalmente reduciendo errores entre un 20 y un 30 por ciento— mientras producía predicciones más estables entre distintas configuraciones de prueba. Un hallazgo práctico importante es que más entradas no siempre significan mejor: en muchos casos, combinaciones simples de temperatura mínima y máxima superaron a modelos que también usaban radiación idealizada, subrayando que variables bien elegidas y ampliamente disponibles pueden ser suficientes cuando se emparejan con una red profunda bien ajustada.

Qué implica esto para la gestión del agua en un mundo cambiante

Para el público general, la conclusión es clara: combinando una red neuronal que entiende el tiempo con rutinas de búsqueda ingeniosas inspiradas en la biología, es posible pronosticar la rapidez con que el agua se evaporará de superficies abiertas usando solo una pequeña cantidad de información climática. Los modelos LSTM‑APO y LSTM‑DBO no cambian la física de la evaporación, pero aprenden su comportamiento típico en una región dada con mayor precisión que herramientas anteriores, incluso cuando los datos son limitados. Esto puede apoyar mejores decisiones sobre operación de embalses, planificación de riego y preparación frente a sequías en regiones con pocos datos. Los autores sugieren que trabajos futuros deberían probar estos híbridos en entornos en tiempo real y en una gama más amplia de climas, y añadir más detalles meteorológicos como viento y humedad. Aun así, los resultados actuales ya muestran que “protozoos” y “escarabajos peloteros” en código pueden ayudar a proteger suministros de agua muy reales sobre el terreno.

Cita: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Palabras clave: evaporación en pan, aprendizaje profundo, optimización metaheurística, recursos hídricos, datos climáticos