AI4FLOOD: adaptación y mejora de la prevención municipal frente a inundaciones mediante la integración de Inteligencia Artificial y la participación ciudadana

El proyecto tiene como objetivo principal desarrollar sistemas de alerta temprana basados en inteligencia artificial, orientados a fortalecer la capacidad de los municipios en la reducción del riesgo de desastres, particularmente frente a inundaciones. Mediante el análisis de datos históricos de distintas cuencas hidrográficas, AI4FLOOD genera predicciones sobre el comportamiento futuro de los ríos con la anticipación suficiente para que las autoridades locales, puedan identificar riesgos con mayor precisión y aplicar medidas preventivas de manera oportunas.

Para alcanzar este objetivo, el proyecto desarrolla una serie de herramientas basadas en Inteligencia Artificial, diseñadas para mejorar tanto la recopilación de datos hidrometeorológicos como como la capacidad de respuesta ante situaciones de emergencia. Estas alertas tempranas se integrarán en tres nuevos planes municipales de emergencia, que se complementarán con acciones de participación y formación dirigidas a entidades, empresas y ciudadanía, fomentando así una cultura de prevención más sólida y sostenible.

En este marco, se plantean los siguientes objetivos específicos:

• Realizar un diagnóstico inicial completo en los municipios participantes, mediante la caracterización hidrológica de las cuencas del Nive, Nivelle, Urola y Cidacos. Este diagnóstico incluirá la revisión de los planes existentes y la identificación de debilidades y oportunidades de mejora en los sistemas actuales de gestión de riesgos.
• Diseñar y validar una herramienta de alerta temprana basada en técnicas de inteligencia artificial (aprendizaje profundo) que fusione datos de históricos de cuenca, estaciones hidrometeorológicas, radares meteorológicos y observaciones de drones, para mejorar la predicción del riesgo de inundaciones en las tres regiones del proyecto.
• Desarrollar modelos bidimensionales de las cuencas de estudio, capaces de simular de forma virtual distintos episodios de inundación. Estos escenarios se utilizarán para alimentar algoritmos de aprendizaje profundo y así mejorar la precisión de los mapas predictivos de inundaciones.
• Modernizar las plataformas de gestión de crisis existentes mediante la integración de las nuevas herramientas de inteligencia artificial, y desarrollar un sistema demostrador completo que abarque desde el modelado de inundaciones hasta su visualización operativa para la toma de decisiones.
• Co-diseñar tres nuevos planes de emergencia municipales adaptados a las particularidades de cada territorio y fortalecer la cultura local de prevención a través de actividades de formación y participación ciudadana, garantizando así la sostenibilidad y transferibilidad de los resultados.

NAIR participa en el proyecto con un rol estratégico orientado al desarrollo e investigación de técnicas avanzadas de Inteligencia Artificial para la mejora en la generación de alertas tempranas ante escenarios de riesgo por inundaciones. Su contribución se ha materializado en el desarrollo de redes neuronales del tipo Long Short-Term Memory (LSTM), combinadas con imputación recursiva y técnicas de ingeniería de características basadas en transformada discreta de wavelet, con el fin de optimizar la predicción operativa de caudales en el corto plazo en cuencas transfronterizas de los Pirineos y apoyar así la gestión del riesgo de inundaciones.

El trabajo se ha aplicado en tres cuencas representativas de España y Francia (Urola, Nivelle y Nive), donde la predicción de crecidas en entornos montañosos y transfronterizos resulta crítica para la protección de la población y las infraestructuras. Estas zonas se caracterizan por respuestas hidrológicas rápidas que ponen en cuestión la eficacia de los enfoques de modelización convencionales.

La metodología propuesta integra la extracción multiescala de características mediante transformada discreta de wavelet con una estrategia recursiva basada en LSTM para el tratamiento de datos faltantes, aspecto de especial relevancia durante eventos hidrometeorológicos extremos. El modelo implementa una arquitectura jerárquica en embudo, compuesta por tres capas LSTM apiladas con conexiones residuales, capaces de procesar secuencias históricas de 48 horas y generar predicciones de caudal con hasta 12 horas de antelación.