El volumen creciente de datos ambientales e hidrometeorológicos de manera libre y a diferentes escalas temporales y espaciales, ha permitido una aproximación a fenómenos como avenidas torrenciales mediante el uso de técnicas de aprendizaje automático. A partir de la identificación de patrones o estructuras en las variables que influyen en la ocurrencia de estos fenómenos naturales, es posible reconocer cuáles son los factores con mayor incidencia y establecer umbrales críticos detonantes.

Debido a las condiciones morfométricas e hidrometeorológicas que configuran los Andes del Norte, se hace propicio el estudio de estos procesos en esta zona. La importancia de establecer umbrales detonantes se fundamenta en la posibilidad de establecer sistemas de alerta temprana, considerando el gran potencial destructivo de los flujos torrenciales, ya que pueden removilizar grandes cantidades de material, el cual es depositado con altas velocidades e impacto, representando una amenaza latente para las comunidades asentadas en las partes medias y bajas de la cuenca.

Para el presente estudio se identificaron eventos torrenciales entre los años 1922 y 2021. Para cada uno de los eventos utilizando Google Earth Engine se obtuvo información satelital  del CHIRPS (Climate Hazard Group InfraRed Precipitation with Station Data), GPM (Global Precipitation Measurement), MODIS (Moderate Resolution Imaging Spectroradiometer), NASA-USDA Enhanced SMAP Global Soil Moisture; los cuales permitieron construir variables como la lluvia detonante del evento, diferentes combinaciones de lluvias precedentes a 1, 3, 5, 15, 30 y 60 días de la ocurrencia, lluvia acumulada en la cuenca, evapotranspiración, humedad del suelo, tipo de vegetación, evaporación, entre otras. Con dichas variables se realizó un análisis exploratorio de los datos y posteriormente se aplicaron modelos no paramétricos.

Los resultados permiten ver que hay una relación en la ocurrencia de avenidas torrenciales tanto de la lluvia detonante como la lluvia antecedente, por lo tanto no se debe atribuir la ocurrencia de un evento solo por la intensidad, sino también por la duración de los periodos de lluvia. Encontrar estas relaciones mediante el uso del aprendizaje de máquinas ofrece una manera consistente y objetiva de establecer intensidades y acumulados asociados a probabilidades que permiten establecer sistemas de alertas tempranas a través de variables de fácil acceso que pueden ser implementados en cualquier zona de interés, donde usualmente se carecen de datos in situ.

  • David Palacio, Edier Aristizábal, John William Branch, Hernán Martínez
  • dpalacioj@unal.edu.co, evaristizabalg@unal.edu.co