RiverMamba: Nueva arquitectura de IA mejora la predicción de inundaciones

Los eventos climáticos extremos, como las intensas lluvias y las inundaciones, representan un desafío creciente para los sistemas de alerta temprana en todo el mundo. En este contexto, investigadores de la Universidad de Bonn, el Forschungszentrum Jülich (FZJ) y el Lamarr Institute for Machine Learning and Artificial Intelligence desarrollaron RiverMamba, un nuevo modelo de inteligencia artificial (IA) que puede predecir con mayor precisión las descargas de ríos y los riesgos de inundación en comparación con métodos anteriores.

El equipo de investigación presentará sus hallazgos el 4 de diciembre en el evento NeurIPS 2025. RiverMamba representa una contribución importante a la adaptación climática y la prevención de riesgos, temas que están recibiendo especial atención a nivel mundial, especialmente en torno al Día Mundial de Concienciación sobre los Tsunamis de la ONU, que se celebra el 5 de noviembre.

Los resultados de la investigación se publicaron en el servidor de preprints arXiv.

La IA aprende de datos ambientales y climáticos

RiverMamba se basa en la arquitectura Mamba, una nueva generación de modelos de aprendizaje profundo que puede manejar de manera eficiente datos ambientales y climáticos temporales y espaciales. El sistema evalúa continuamente datos sobre precipitaciones, temperaturas, humedad del suelo y velocidad de flujo, reconociendo patrones decisivos para el desarrollo de inundaciones.

Este modelo combina las fortalezas de los modelos clásicos basados en la física, como el Global Flood Awareness System (GloFAS), que realiza predicciones globales pero no modela completamente las características locales. GloFAS es muy intensivo en computación, mientras que los modelos locales basados en aprendizaje, como el Flood Hub de Google, son muy eficientes pero solo pueden predecir flujos de ríos en estaciones de medición existentes.

RiverMamba aprende tanto de los datos de modelos basados en la física como directamente de extensos datos ambientales y de observación. Esto le permite hacer predicciones confiables incluso cuando las series de mediciones están incompletas o faltan, por ejemplo, en áreas de captación más pequeñas o regiones con disponibilidad limitada de datos.

Esta capacidad para modelar de manera independiente interacciones complejas entre el clima, la topografía y el comportamiento del escurrimiento abre nuevas perspectivas para pronósticos de inundaciones más precisos en todo el mundo.

El desarrollo fue liderado por el Prof. Dr. Jürgen Gall, investigador principal del Lamarr Institute, en estrecha colaboración con el Área de Investigación Transdisciplinaria "Modelado", el Grupo de Capacitación de Investigación Integrada en el Centro de Investigación Colaborativa DETECT de la DFG, y el proyecto "Foundation Model for Weather Forecasting" (RAINA), un proyecto conjunto de la Universidad de Bonn, el Deutscher Wetterdienst (DWD) y el Forschungszentrum Jülich (FZJ). Este proyecto interdisciplinario combina la investigación en IA con la modelización climática, la hidrología y la predicción meteorológica, y demuestra cómo la investigación de Renania del Norte-Westfalia contribuye a superar desafíos globales.

"Con RiverMamba, estamos demostrando cómo la IA puede utilizarse de manera dirigida para modelar procesos ambientales de manera más realista y eficiente", afirmó el Prof. Dr. Jürgen Gall. "Enfoques basados en datos pueden complementar de manera útil los sistemas de alerta temprana existentes, un paso importante hacia pronósticos más confiables ante el aumento de eventos climáticos extremos".