El Servicio Meteorológico Nacional (SMN) tendrá acceso durante los próximos cuatro años a modelos climáticos y herramientas predictivas de inteligencia artificial (AI) desarrolladas por Google para fortalecer sus capacidades de pronóstico, identificar fenómenos hidrometeorológicos extremos y mejorar las alertas tempranas por inundaciones.
La Comisión Nacional del Agua (Conagua), a través del SMN, informó en un comunicado el pasado 28 de septiembre que firmó con Google un convenio de cooperación técnica que contempla la implementación de herramientas de AI para la predicción del tiempo, así como el desarrollo de capacidades para utilizar API destinadas al procesamiento de datos meteorológicos y climáticos.
El SMN podrá validar técnicamente estos productos bajo las condiciones meteorológicas, hidrológicas y territoriales de México.
Entre las herramientas que se utilizarán está Flood Hub, la plataforma de Google para predicción de inundaciones, y WeatherNext 3, su modelo de AI para pronóstico meteorológico.
De acuerdo con el CEO de Google México, Sebastián Valverde, Flood Hub permitirá al SMN prever inundaciones repentinas en zonas urbanas hasta 24 horas antes, mientras que WeatherNext 3 ofrecerá pronósticos de hasta 15 días y mejorará el monitoreo de huracanes.
Las alertas oficiales de Conagua y el SMN, añadió en una publicación de LinkedIn, llegarán automáticamente a Android, el buscador y Google Maps.
Valverde destacó que “esta colaboración es la primera en su tipo en toda América Latina, un logro extraordinario que coloca a México en el centro de la innovación y a la vanguardia internacional en el uso de AI predictiva para salvar vidas y proteger a nuestras comunidades”.
Índice de temas
¿Cómo funciona la predicción de inundaciones de Google?
La tecnología detrás de Flood Hub se ha desarrollado durante casi una década. El proyecto comenzó como un piloto en India en 2018 y, según Google, actualmente cubre a más de 2,000 millones de personas en 150 países.
En una publicación de blog de agosto pasado, la investigadora científica principal de Google Research, Deborah Cohen, responsable del trabajo de predicción de inundaciones, explicó que históricamente estos pronósticos se realizaban mediante modelos físicos que requerían calibrar ecuaciones para representar los distintos mecanismos del agua.
El equipo de Google desarrolló después un enfoque basado en AI y machine learning (ML) para traducir las condiciones meteorológicas en pronósticos de inundación. Cohen lo resumió así: “Los modelos son capaces de traducir las condiciones meteorológicas en pronósticos de inundación”.
En la práctica, comentó, “lo que hacen estos modelos es tomar los pronósticos meteorológicos y las condiciones del terreno, y luego emitir un pronóstico de una inundación”. Flood Hub funciona como la interfaz que muestra en tiempo real sus resultados.
Uno de los retos más importantes ha sido la predicción de inundaciones repentinas, que ocurren con rapidez y suelen estar asociadas con lluvias intensas. A diferencia de las inundaciones de ríos, para las que existen registros históricos de mediciones hidrológicas, Google no encontró información suficiente a escala global para entren modelos de inundaciones repentinas.
“Tuvimos que construir nuestro propio conjunto de datos de Groundsource”, explicó Cohen. Para hacerlo, Gemini analizó cinco millones de reportes periodísticos publicados durante 20 años en 80 idiomas. Estos datos permitieron identificar eventos históricos de inundaciones repentinas y ampliar la información disponible para entrenar los modelos.
“Nuestra estrella guía es asegurarnos de que nadie sea sorprendido por un desastre natural”, afirmó Cohen.
Un framework para adaptar los modelos con datos locales
El acuerdo con Conagua ocurre pocos meses después de que Google Research liberara su framework de modelado hidrológico bajo una licencia Apache 2.0.
El objetivo declarado es que los servicios meteorológicos e hidrológicos nacionales puedan integrar sus propios datos con la arquitectura utilizada para los modelos de predicción de inundaciones de Google, entrenarlos o ajustarlos a sus cuencas y conservar el control sobre su información.
El framework utiliza PyTorch y arquitecturas basadas en redes LSTM para procesar información meteorológica y características geográficas, como el clima, los suelos, la topografía y la cobertura terrestre. También permite incorporar datos históricos locales para entrenar o ajustar los modelos a cuencas específicas.
Google probó este enfoque con el Instituto Hidrometeorológico checo, que comparó sus resultados con modelos hidrológicos tradicionales calibrados localmente. El instituto también desarrolló un adaptador para integrar el framework con Delft-FEWS, una plataforma utilizada por agencias de pronóstico de inundaciones.
Conagua no detalló si el SMN utilizará específicamente este framework como parte del convenio. El acuerdo sí contempla que el organismo evalúe y valide productos de AI bajo las condiciones de México.
Además, establece que cada una de las partes conservará la titularidad, el control y la soberanía sobre la información que proporcione durante la vigencia del acuerdo.
