El flujo de agua en las cuencas de las praderas es cada vez más impredecible, pero la IA podría ayudar

En los últimos años, las praderas han experimentado cambios importantes en las condiciones climáticas: años muy húmedos seguidos de años muy secos. Esto hace que un paisaje ya impredecible sea aún más difícil de pronosticar, con consecuencias reales para la preparación ante inundaciones y la calidad del agua.

El desafío es el paisaje mismo. La mayoría de las praderas de Canadá están ubicadas en la región Prairie Pothole, un paisaje salpicado de millones de pantanos y depresiones poco profundos. El agua no fluye simplemente cuesta abajo hacia el arroyo, sino que primero se almacena. Luego, cuando se llenan suficientes pantanos, el agua comienza a fluir de uno a otro, y sólo entonces se une a los canales.

¿Por qué es esto importante ahora? En un paisaje que rápidamente puede pasar de absorber agua a conectarse río abajo, pequeñas diferencias en el grado de humedad de los humedales pueden marcar la diferencia entre una temporada de primavera manejable e inundaciones dañinas. El problema es que en muchas cuencas no contamos con las mediciones locales necesarias para determinar si los humedales todavía retienen agua o están cerca de conectarse y liberar agua río abajo.

A lo largo de las praderas canadienses, desde el sur de Alberta pasando por Saskatchewan hasta Manitoba, el monitoreo de los arroyos es poco común y muchas cuencas hidrográficas no tienen medidores. Estos dispositivos miden los niveles y caudales de agua en ríos y arroyos y, con menos frecuencia, los niveles de agua en humedales.

Las comunidades de la cuenca del río Red, la cuenca de Assiniboine y los municipios rurales de las provincias de las praderas a menudo reciben advertencias limitadas cuando cambian las condiciones del agua. Esto afecta la preparación contra inundaciones, la gestión del agua agrícola y nuestra comprensión de cómo se almacena y mueve el agua a través de los paisajes de pradera, con implicaciones para la calidad del agua.

Lo que vemos una y otra vez es esto: la misma lluvia o el deshielo pueden producir escorrentías muy diferentes, dependiendo de la cantidad de agua que ya haya en la red de humedales.

Pero comprender el mecanismo no es lo mismo que poder hacer predicciones confiables en una cuenca no medida. Ese es el problema fundamental que mis colegas y yo abordamos en nuestro nuevo estudio: cómo combinar la física del Prairie Pothole con la inteligencia artificial (IA) moderna para que podamos estimar tanto el flujo como el almacenamiento de agua de los humedales en lugares donde las mediciones no están disponibles.

Predicción de flujo

La región de Prairie Pothole incluye partes de Canadá y Estados Unidos. (Ali Amelie), proporcionado por el autor (sin reutilización)

He pasado años trabajando en el comportamiento de conexión, derrame y llenado y en por qué hace que el flujo de la pradera sea difícil de predecir. También estudié lo que sucede cuando los humedales son drenados o alterados: cómo algunos humedales funcionan mucho mejor que otros para reducir las inundaciones y cómo la pérdida de humedales puede dificultar que el paisaje retenga agua durante los períodos secos.

Mucha gente piensa que el pronóstico del caudal de los ríos se trata principalmente de insumos: precipitación y, en la región de Prairie Pothole, deshielo. Si la tormenta es lo suficientemente grande, o si el deshielo primaveral es grande, los ríos crecen. En muchas áreas, esa intuición es razonable. En los paisajes de pradera, los baches a menudo fallan.

Aquí, gran parte de la lluvia y la nieve se almacena primero. A principios de la primavera, gran parte del agua de deshielo llena los humedales en lugar de fluir directamente. Más tarde, después de un llenado suficiente, los caminos se “encienden” y el agua comienza a fluir hacia los canales. El mismo evento de lluvia puede producir flujos muy diferentes dependiendo de qué tan llena esté ya la red de humedales.

La parte difícil es determinar qué tan llena está esa red. No visible directamente a partir de datos meteorológicos estándar. Debido a que el sistema se comporta como un umbral, donde pequeños cambios en la cantidad de agua almacenada en los humedales pueden causar grandes cambios en la escorrentía, la región de Prairie Pothole se encuentra entre los lugares más difíciles para predecir el flujo de corriente.

Cada uno de los enfoques anteriores tenía limitaciones. La modelización detallada de cada humedal requiere mapas e información que a menudo no existen en la escala requerida. Depender únicamente de la inteligencia artificial también puede resultar difícil, ya que un factor clave (qué tan llenos están los pantanos) no es directamente visible en los datos de entrada comunes.

Combinando la física con la IA

Una vista satelital de parte del área de Prairie Pothole en Dakota del Norte. (Google Earth), proporcionado por el autor (no reutilizado)

En nuestro nuevo estudio, creamos un modelo que incorpora la física de las conexiones de llenado y derrame directamente en el marco de la IA, en lugar de pedirle a la IA que aprenda este comportamiento solo a partir de datos. La física de la conexión recarga-derrame describe cómo el agua llena los humedales, se desborda cuando se llena y se conecta con ríos y arroyos aguas abajo.

Depende de algunos parámetros clave: cuánta agua puede contener la red de baches antes de que se derrame y qué tan rápido se expande el área conectada a medida que el paisaje se vuelve más húmedo. Utilizamos inteligencia artificial para aprender cómo estos parámetros varían entre regiones, dependiendo del suelo, el clima y la topografía. En lugar de tratar cada cuenca como un problema completamente separado, el modelo aprende patrones regionales que pueden aplicarse a cuencas sin registros de caudal.

Probamos el enfoque en 98 cuencas que abarcan la región de Prairie Pothole. En pruebas diseñadas para imitar cuencas no medidas, nuestro modelo predijo el flujo de agua de manera más confiable que los modelos de IA que no representan estos procesos físicos.

Es importante destacar que también capturó la dinámica del almacenamiento de los humedales: fluctuaciones de año en año en la cantidad de agua retenida por una red de agujeros. Cuando comparamos esa señal de almacenamiento con mapas satelitales de inundaciones de humedales, los altibajos de un año a otro coincidieron bien.

¿Qué cambia esto?

La misma lluvia o deshielo puede producir escorrentías muy diferentes, dependiendo de la cantidad de agua que ya haya en la red de humedales. (Flickr/USFVS Montaña-Prairie), CC BI

La capacidad de evaluar tanto el flujo como el comportamiento de almacenamiento del agua de los humedales en estas cuencas abre posibilidades prácticas.

En primer lugar, puede contribuir a la preparación contra inundaciones al ayudar a identificar cuándo una cuenca se acerca al punto en el que los humedales comienzan a conectarse y liberar agua río abajo. En la región de Prairie Pothole, el riesgo de inundaciones no se trata solo de la cantidad de lluvia que cae por día. También se trata de si los humedales están lo suficientemente llenos como para que el agua nueva sea desviada en lugar de almacenada.

En segundo lugar, puede ayudar a describir cómo difieren las cuencas hidrográficas entre las praderas: qué áreas tienden a retener agua por más tiempo, cuáles se conectan más fácilmente y dónde es probable que el flujo de los arroyos sea más variable de un año a otro. Es difícil construir un panorama regional de este tipo cuando el seguimiento es escaso.

En tercer lugar, ofrece un puente entre la comprensión de los procesos y las herramientas modernas basadas en datos. No se trata de que la IA reemplace a la hidrología, sino que la hidrología hace que la IA sea más confiable cuando el mecanismo importa.

Para las comunidades de las praderas y los administradores de tierras que trabajan en cuencas no medidas, mejores predicciones sobre cuándo se almacenará el agua (y cuándo se conectará y fluirá) sería un paso práctico hacia adelante.