Google presenta un modelo de IA que predice inundaciones repentinas urbanas con hasta 24 horas de antelación

Google Research anunció el 12 de marzo de 2026 el despliegue de pronósticos de inundaciones repentinas (flash floods) en zonas urbanas, capaces de avisar con hasta 24 horas de antelación.

El trabajo, firmado por Oleg Zlydenko y Deborah Cohen, forma parte de la iniciativa Flood Forecasting y utiliza una metodología llamada Groundsource para convertir reportes de prensa en datos de “verdad de terreno” que alimentan el modelo.

Por qué importa: las inundaciones repentinas causan la mayoría de las muertes por inundación en el mundo y suelen desarrollarse en pocas horas.

En muchos países del Sur Global no existe la infraestructura —radar, redes de sensores o sistemas de alerta— necesaria para avisos tempranos. Este proyecto busca reducir esa “brecha de advertencia” con herramientas que pueden operar a escala global.

Cómo funciona: transformar noticias en datos entrenables

La principal innovación es Groundsource, una metodología que usa modelos de lenguaje para extraer de forma automática y precisa detalles de eventos hidrometeorológicos a partir de noticias públicas: ubicación, fecha y descripción del impacto.

Google Research indica que empleó Gemini —un gran modelo de lenguaje capaz de analizar texto— para confirmar y estructurar esos reportes.

El resultado es un conjunto de datos de eventos históricos (el Groundsource dataset) que se publicó para entrenamiento y evaluación.

Con esos registros se entrenó un modelo predictivo pensado para ciudades.

El objetivo concreto del modelo es simple: dado el pronóstico meteorológico y las condiciones locales, ¿es probable que ocurra una inundación repentina en las próximas 24 horas?

Qué datos y modelos integran la predicción

Para lograr cobertura amplia, el sistema usa únicamente productos meteorológicos globales accesibles en todo el mundo: precipitación satelital (NASA IMERG), bases de precipitación (NOAA CPC), y pronósticos atmosféricos en tiempo real del modelo operacional ECMWF HRES.

Además incorpora un modelo de pronóstico meteorológico de rango medio desarrollado por Google DeepMind.

A estos insumos dinámicos se suman variables estáticas: densidad urbana, topografía y capacidad de absorción del suelo.

El modelo en sí es una red neuronal recurrente con unidades LSTM, diseñadas para procesar series temporales (secuencia de lluvias y condiciones en el tiempo).

Opera a una resolución espacial de 20×20 kilómetros y, por ahora, se enfoca en áreas con más de 100 personas por km², donde los reportes periodísticos que alimentan Groundsource son más frecuentes.

Evaluación, limitaciones y comparación con sistemas existentes

Google Research evaluó su modelo contra el dataset Groundsource y contra registros de eventos de GDACS para medir recall (capacidad de detectar eventos importantes).

La nota advierte que las métricas públicas —precisión y recall— probablemente subestiman el rendimiento real porque muchas inundaciones no son reportadas en medios; una auditoría manual mostró que varias “falsas alarmas” en realidad sí correspondían a eventos reales.

Para contexto, la investigación compara sus resultados con el sistema de advertencias de inundación por ráfagas del Servicio Meteorológico de EE. UU.

(NWS), ajustado a la misma resolución: NWS alcanzó un recall del 22% y una precisión estimada del 44% (ambas cifras también subestimadas).

En muchas regiones de América del Sur y el sudeste asiático, el modelo de Google mostró resultados equivalentes a los observados en países con infraestructura de monitoreo más avanzada.

Sin embargo, persisten huecos: la cobertura rural es limitada, faltan datos fiables en buena parte de África para evaluar con precisión el desempeño y la resolución de 20 km no permite advertencias hiperlocales en la escala de calle o barrio.

Google Research señala que trabaja en mejorar la generalización a zonas rurales, reducir la escala espacial y añadir más fuentes de datos en tiempo real.

Qué cambia para la gente

El servicio se publica en Flood Hub y busca ofrecer a gobiernos, organizaciones y ciudadanos información adicional para prepararse ante lluvias intensas en áreas urbanas.

No sustituye sistemas locales con sensores o expertos hidrólogos, pero pretende ser una herramienta escalable que entregue avisos donde hoy no hay alternativas asequibles.

Nota de Transparencia

Esta nota fue generada 100% con IA. La fuente fue aprobada por Diario Occidente y el contenido final fue revisado por un miembro del equipo de redacción.

🔊 El Resumen de Noticias sobre Inteligencia Artificial e Innovación Tecnológica, aquí 👇🏻

Curaduría editorial

La curaduría y revisión editorial de estas notas está a cargo de Rosa María Agudelo Ayerbe, comunicadora social y periodista, con maestría en Transformación Digital y especialización en Inteligencia Artificial.

Desde su rol como líder del equipo de innovación y transformación digital del Diario Occidente, y a través de la unidad estratégica DO Tech, realiza un seguimiento permanente a las principales novedades en tecnología e inteligencia artificial a nivel global.

Estas notas se apoyan en un agente de investigación basado en inteligencia artificial, diseñado para monitorear semanalmente avances, lanzamientos y debates clave del sector.

El contenido es posteriormente leído, analizado, contextualizado y validado editorialmente antes de su publicación.

Este proceso forma parte del mecanismo de actualización continua que permite interpretar los desarrollos tecnológicos desde una mirada periodística, crítica y comprensible para audiencias no especializadas.

Comments