El nivel del lago Michigan alcanzó un mínimo histórico desde que comenzaron las observaciones en enero de 2013; luego, en el verano de 2020, batió el récord en el extremo opuesto, lo que provocó inundaciones, erosión costera y el cierre de carreteras junto a la orilla. La diferencia entre ambos niveles récord fue de casi 2 m. El artículo señala que se produjeron inversiones similares, con unos meses de diferencia, en los lagos Superior, Erie y Ontario. Para predecir estas grandes variaciones del nivel y explicar sus causas, los investigadores recurrieron a modelos de inteligencia artificial (IA).

Antecedentes y contexto

El nivel de un lago depende de la lluvia y la nieve, la evaporación, los caudales de entrada y salida, y también de las decisiones humanas. Asimismo, está relacionado con la profundidad de los puertos, la estabilidad de la costa, la captación de agua potable y la supervivencia de los humedales costeros. Por eso, que un modelo no solo acierte el nivel, sino que también explique qué factores impulsaron los cambios, puede ser importante para gestionar las presas o los riesgos de inundación.

Los investigadores entrenaron ocho algoritmos con datos mensuales de los niveles de los lagos Superior, Michigan, Erie y Ontario entre 1982 y 2022. Cada algoritmo recibió nueve variables, entre ellas la temperatura y los caudales de entrada, e incorporó tanto los valores del mes en curso como los de hasta seis meses antes. Así, por ejemplo, el modelo podía analizar la relación entre el nivel del lago en junio y la nieve de enero.

El error de los cuatro algoritmos con mejor rendimiento se redujo a unos 12 cm. Los modelos simples tuvieron errores de 14-21 cm. Los investigadores combinaron SHAP (un método para desglosar cuánto contribuye cada variable al resultado de una predicción) y el análisis VARS, que permite observar cómo cambia con el tiempo el efecto de intervenir en una variable.

SHAP muestra cuánto contribuye cada variable a que el nivel suba o baje en un mes concreto. Sin embargo, no indica cuánto tarda una señal en desplazarse por una cuenca (una zona cuyas aguas convergen en un mismo lugar). En el análisis VARS, los investigadores examinaron los efectos al cabo de un mes y de seis meses después de intervenir en una variable, para analizar el desfase temporal.

Qué significa esta noticia

Los investigadores esperaban que el efecto de las variables sobre el nivel del agua se debilitara cuanto más atrás en el tiempo se remontaran, pero observaron que aumentaba después de 3 o 4 meses. Su conclusión es que estos lagos responden a las condiciones de estaciones anteriores más que al tiempo del día previo. La explicación de que la nieve de enero puede influir en el nivel de junio muestra por qué las previsiones estacionales deben tener en cuenta también las condiciones de varios meses antes.

Este resultado llama la atención porque muestra que el nivel de los lagos no se explica únicamente por el tiempo a corto plazo. Si los modelos de predicción estacional consideran también variables de los meses anteriores, como la temperatura y los caudales de entrada, quizá puedan detectar mejor indicios de cambios en el nivel. Sin embargo, las cifras de error de este estudio, por sí solas, no permiten saber cuán útiles serían las predicciones en la práctica ni cuánto podrían cambiar los resultados de la gestión de inundaciones o presas.

El lago Ontario también puso de manifiesto las limitaciones del modelo. El error del modelo para este lago fue más de un 50 % superior al previsto, y el artículo lo relaciona con la toma de decisiones humanas. La presa hidroeléctrica Moses-Saunders, cerca de Cornwall, en Ontario, gestiona el nivel del agua conforme a reglas de operación que se ajustan diariamente. Pero, como el modelo recibe valores mensuales promedio de cada variable, el orden de las decisiones que dieron lugar al caudal de salida mensual puede desaparecer dentro del promedio.

En el caso del lago Ontario, los investigadores propusieron proporcionar al modelo, por separado de las variables climáticas, las reglas de operación utilizadas para gestionar el nivel del agua. Se trata de una propuesta para abordar el problema de las decisiones humanas en ese lago; no puede extrapolarse como si las mismas condiciones fueran necesarias para todas las predicciones estacionales.

Los investigadores señalaron que están aplicando este enfoque, en colaboración con Ouranos, a estudios sobre la recarga de aguas subterráneas en el sur de Quebec. En este trabajo se utilizan modelos basados en la física (modelos que incorporan los principios físicos que rigen los fenómenos naturales). La orientación que muestra este estudio es que, en problemas ambientales complejos como los niveles de los lagos, los modelos capaces de explicar las razones de sus resultados pueden ayudar a revisar y debatir las decisiones de gestión.

Hechos confirmados y cuestiones aún por resolver

Hechos confirmados

  • Los investigadores entrenaron ocho algoritmos con datos mensuales de los niveles de cuatro lagos entre 1982 y 2022.
  • Cada algoritmo incorporó nueve variables, entre ellas la temperatura y los caudales de entrada, y valores desde el mes en curso hasta seis meses antes.
  • Los cuatro algoritmos con mejor rendimiento tuvieron un error de unos 12 cm, mientras que los modelos simples tuvieron errores de 14-21 cm.
  • A diferencia de lo que esperaban —que el efecto de las variables se debilitara cuanto más atrás en el tiempo se remontaran—, los investigadores observaron que aumentaba al cabo de 3 o 4 meses.
  • El nivel del lago Ontario se gestiona conforme a las reglas diarias de operación de la presa hidroeléctrica Moses-Saunders, y los investigadores propusieron proporcionar esas reglas al modelo.

Cuestiones aún por resolver

  • ¿Cuál es la lista completa de los ocho algoritmos y las nueve variables utilizados en el estudio?
  • ¿Con qué método de validación y para qué período de predicción se evaluó la precisión del modelo?
  • ¿Cuánto se reduciría el error de predicción si se incluyeran en el modelo las reglas de operación del lago Ontario?

Qué conviene comprobar

  • Al consultar los resultados de una predicción del nivel del agua, conviene revisar no solo las cifras de precisión, sino también el período de predicción y el método de validación. El artículo original no especifica esos criterios.
  • Si se utilizan predicciones de IA para gestionar inundaciones o presas, se puede comprobar si los datos de entrada incluyen únicamente promedios mensuales del clima y los caudales, o si también reflejan las reglas de operación y el proceso de toma de decisiones reales.
  • Al interpretar las previsiones estacionales del nivel del agua, se puede comprobar si el análisis incluye las condiciones de los meses anteriores, además del tiempo del mes en curso. Los investigadores concluyeron que las condiciones de estaciones anteriores pueden influir en el nivel.