La IA puede anticipar sequías, pero seis meses no significan certeza

Un equipo del Instituto de Ingeniería del Agua y Medio Ambiente de la Universitat Politècnica de València ha desarrollado un sistema que permite anticipar episodios de sequía meteorológica hasta con seis meses de antelación en la cuenca del Júcar. La herramienta combina predicciones climáticas internacionales, índices de sequía e inteligencia artificial para ajustar los pronósticos a una región concreta y reforzar la alerta temprana.

El alcance del resultado exige un matiz importante: no significa que el sistema acierte con un 90 % de probabilidad cualquier sequía que vaya a producirse dentro de medio año. Esa cifra corresponde a una evaluación concreta de los índices en el mes de emisión, mientras que la capacidad predictiva desciende al aumentar el plazo. La aportación es más precisa y, a la vez, más útil: ganar tiempo para reconocer señales de riesgo y organizar decisiones, sin convertir una previsión climática en una certeza.

Una alerta temprana para un problema que se desarrolla despacio

La sequía rara vez empieza con una imagen evidente de embalses vacíos. Puede arrancar con precipitaciones por debajo de lo habitual, calor persistente y una pérdida gradual de humedad en el suelo, mientras los indicadores más visibles aún no parecen alarmantes. Cuando la escasez alcanza los caudales, los embalses o los acuíferos, el deterioro puede llevar tiempo en marcha. La nueva herramienta intenta hacer más legible esa fase inicial, antes de que la falta de agua se convierta en una emergencia palpable.

El trabajo ha sido realizado por Dariana Ávila Velásquez, Héctor Macián y Manuel Pulido, investigadores del IIAMA-UPV, en el marco de WATER4CAST 2.0, un proyecto del programa Prometeo. La investigación se publicó en la revista científica Earth Systems and Environment. Su foco es la cuenca del Júcar, donde las sequías recurrentes, la presión sobre los recursos y la elevada demanda agrícola, urbana y ambiental convierten la previsión en una cuestión de gestión cotidiana, no solo de interés académico.

En la información que acompañaba la investigación se citaba una fotografía hídrica nacional con los embalses al 83,2 % de su capacidad y 46.608 hectómetros cúbicos almacenados, después de un marzo lluvioso en muchas zonas. Para ese mismo balance, el Júcar aparecía al 66,6 % y el Segura al 51,2 %. Esas cifras describen una situación concreta, no una medida permanente ni necesariamente el estado actual. El contraste sirve para recordar que un promedio nacional favorable puede ocultar diferencias importantes entre cuencas.

Sequía meteorológica, agrícola e hidrológica no son lo mismo

La palabra sequía reúne fenómenos relacionados, pero distintos. La sequía meteorológica describe un periodo sostenido de precipitaciones inferiores a lo normal. Si el déficit persiste, puede reducir la humedad del suelo y perjudicar los cultivos; entonces aparece el impacto agrícola. Más adelante, la falta de aportaciones puede notarse en ríos, embalses y aguas subterráneas, en una fase hidrológica. Una alerta sobre lluvia no equivale a anunciar que un embalse se quedará sin agua.

Esa diferencia ayuda a entender qué puede aportar el sistema valenciano. Su objetivo es anticipar condiciones de sequía a partir de indicadores climáticos, no pronosticar de manera automática el nivel futuro de cada presa ni resolver cómo se reparte el agua entre los distintos usos. Entre una señal meteorológica y sus consecuencias hidrológicas intervienen la duración del episodio, las reservas previas, las características de la cuenca y la demanda. El aviso temprano ofrece una pieza del diagnóstico, no el diagnóstico completo.

Para una cuenca como el Júcar, detectar antes un déficit meteorológico puede dar margen para revisar escenarios y preparar respuestas antes de que otros indicadores se deterioren. Pero ese margen no elimina la incertidumbre sobre cómo evolucionará el episodio ni garantiza que la sequía agrícola o hidrológica vaya a desarrollarse de una forma determinada. La ventaja consiste en adelantar la vigilancia, no en saltarse las etapas que conectan la falta de lluvia con sus efectos sobre el territorio.

Cómo combina modelos climáticos e inteligencia artificial

El sistema reúne predicciones estacionales de cuatro centros internacionales: ECMWF-SEAS5, Météo-France System8, DWD-GCFS2.1 y CMCC-SPSv3.5. También utiliza ERA5, un conjunto de datos históricos de reanálisis climáticos. La inteligencia artificial interviene en el posprocesado: ayuda a corregir sesgos y a adaptar información de escala global al comportamiento de una cuenca determinada. No sustituye a los modelos climáticos ni genera una predicción desde cero; trabaja sobre sus señales para hacerlas más aprovechables a escala regional.

La necesidad de ese ajuste nace de una limitación conocida de los pronósticos estacionales. Un modelo puede representar tendencias amplias y, sin embargo, no describir con suficiente detalle una zona mediterránea concreta. Las diferencias de escala, los errores sistemáticos y la complejidad de las condiciones locales pueden afectar a la lectura de la lluvia y la temperatura. El posprocesado busca reducir parte de esas desviaciones, de modo que la información sea más coherente con las características del territorio donde se aplicará.

El enfoque multimodelo también importa. En vez de depender de una única fuente, el sistema compara y combina varios pronósticos, junto con indicadores distintos. Cada modelo tiene limitaciones propias; reunirlos puede ofrecer una señal más robusta y reducir parte de la incertidumbre asociada a uno solo. Eso no hace desaparecer los errores, pero evita tratar un único escenario como si representara por sí mismo todo lo que puede ocurrir. La solidez procede de la combinación de señales, no de una IA infalible.

Qué miden los índices SPI y SPEI

El equipo calcula dos indicadores empleados habitualmente en el seguimiento de la sequía: el SPI, o Índice de Precipitación Estandarizado, y el SPEI, o Índice de Precipitación-Evapotranspiración Estandarizado. El primero se centra en las anomalías de precipitación. El segundo incorpora también la temperatura mediante la evapotranspiración, es decir, la transferencia de agua desde el suelo y la vegetación hacia la atmósfera. Así, la evaluación no se limita a contar cuánto llueve.

La diferencia resulta relevante cuando el calor aumenta la demanda de agua de la atmósfera. Dos periodos con precipitaciones parecidas pueden tener efectos distintos si las temperaturas y la evaporación potencial no son las mismas. El SPEI permite considerar ese componente térmico, mientras que el SPI aporta una lectura centrada en la lluvia. Usarlos conjuntamente ofrece una imagen más amplia que depender de un solo indicador, aunque ninguno de los dos describe por sí solo todas las consecuencias sobre cultivos, ríos o reservas.

Los investigadores calcularon ambos índices para escalas temporales de seis, 12, 18 y 24 meses. Esas ventanas permiten observar déficits de distinta duración: una anomalía reciente no tiene el mismo significado que un balance acumulado durante un periodo más largo. La lectura combinada ayuda a separar señales que, vistas desde un único dato de precipitación, podrían confundirse. El calor puede agravar el balance hídrico incluso cuando la lluvia no cuenta toda la historia.

Qué significa realmente hablar de una fiabilidad cercana al 90 %

Los resultados divulgados indican que, para los índices calculados a escala de seis meses, la fiabilidad alcanza valores cercanos al 90 % en el mismo mes en que se emite el pronóstico. A tres meses vista, la capacidad predictiva se mantiene por encima del 60 %. Para escalas temporales más largas, de 12, 18 y 24 meses, el sistema conserva habilidad útil de predicción hasta seis meses de antelación. El porcentaje cercano al 90 % no debe leerse como un acierto garantizado seis meses antes.

La diferencia entre el plazo de anticipación y la escala del índice es esencial. Un índice a seis meses resume condiciones acumuladas durante ese periodo; la previsión emitida con varios meses de adelanto intenta anticipar cómo evolucionará esa señal. Además, el rendimiento depende del horizonte y del indicador evaluado. La cifra más alta corresponde al mes de emisión, mientras que la información disponible también señala una capacidad superior al 60 % a tres meses. No es correcto convertir esos resultados en una promesa única para todos los plazos.

La evaluación retrospectiva utilizó hindcasts del periodo 1995-2014: simulaciones que permiten comprobar cómo habría funcionado el método al aplicarlo a años pasados. El estudio valoró la habilidad predictiva mediante el CRPSS, una métrica que compara la calidad de un pronóstico probabilístico con referencias más simples. Esa comprobación es importante porque enfrenta el modelo con datos históricos y no solo con una descripción teórica. Aun así, el rendimiento pasado no convierte cada pronóstico futuro en una certeza.

Por qué se puso a prueba en la cuenca del Júcar

La cuenca del Júcar reúne varias de las dificultades que hacen exigente la gestión del agua en el Mediterráneo semiárido: sequías recurrentes, variabilidad de las precipitaciones y una demanda elevada. El abastecimiento urbano, la agricultura y las necesidades ambientales comparten un recurso limitado, mientras que las condiciones de cada zona no son idénticas. Los embalses de Alarcón, Contreras, Tous y Benagéber forman parte de un sistema regulado que debe atender usos diferentes. Es un entorno adecuado para probar si una señal climática puede traducirse en información de gestión.

La agricultura tiene un peso destacado en la demanda, pero las consecuencias de una menor disponibilidad no se restringen al campo. Pueden alcanzar los costes de producción, el empleo, el abastecimiento y la conservación de los ecosistemas. Al mismo tiempo, una predicción de sequía no determina por sí misma quién debe reducir el consumo ni cuánto. Esa parte depende de la gestión de la cuenca, de las reservas y de las prioridades aplicables. El pronóstico puede informar esas decisiones; no las toma.

El Júcar funciona también como una prueba de estrés para la metodología. Un sistema que solo mostrara resultados en condiciones sencillas tendría un valor limitado para una zona donde el clima y la presión sobre el agua exigen una lectura cuidadosa. La investigación lo aplica allí y plantea que el marco metodológico podría trasladarse a otras cuencas propensas a la sequía. Sin embargo, la posibilidad de transferir el método no demuestra que su rendimiento vaya a ser idéntico en cualquier territorio: cada cuenca requiere adaptación y evaluación propias.

Qué puede cambiar cuando el aviso llega antes

Un horizonte de varios meses puede servir para revisar escenarios antes de que la escasez se haga más visible. En una administración, una señal temprana puede incorporarse a la planificación de desembalses, las asignaciones, las campañas de riego o los mecanismos de alerta. No impone automáticamente ninguna medida, pero ofrece más tiempo para analizar alternativas y valorar sus efectos. El beneficio práctico es reducir la improvisación cuando el margen de maniobra empieza a estrecharse.

La anticipación también puede mejorar la forma de comunicar el riesgo. Si una institución dispone de una señal probabilística con antelación, puede explicar que existe una posibilidad de deterioro sin presentar como inevitable un escenario que aún no se ha confirmado. Ese equilibrio importa: alarmar sin fundamento puede restar credibilidad, pero esperar a que todos los daños sean visibles también puede dejar poco espacio para actuar. Los pronósticos no eliminan la responsabilidad de decidir; aportan información para ejercerla con más contexto.

El tiempo ganado puede ayudar a reducir impactos socioeconómicos y a reforzar la resiliencia ante el cambio climático, objetivos destacados por el equipo investigador. Pero los resultados dependen de que la información llegue a quienes gestionan el agua y se integre en sus herramientas de trabajo. Un pronóstico técnicamente bueno que no influya en la planificación tendría una utilidad limitada. La alerta vale tanto por su calidad como por la capacidad de incorporarla a decisiones reales.

Lo que la inteligencia artificial no puede prometer

La herramienta no crea agua, no llena embalses y no resuelve por sí sola los desequilibrios estructurales de una cuenca. Tampoco elimina la sobreexplotación de recursos, las pérdidas en las redes o los conflictos entre usos. Su función es más acotada: mejorar la anticipación y ofrecer una base científica adicional para evaluar el riesgo. Esa contribución puede ser valiosa, pero no debe confundirse con una solución completa a la escasez. Predecir mejor no equivale a disponer de más agua.

Un pronóstico estacional es probabilístico. Describe escenarios y grados de confianza, con márgenes de error que aumentan o cambian según el plazo y la variable estudiada. No señala necesariamente el día exacto en que comenzará una sequía ni permite conocer con seguridad la intensidad de sus efectos locales. La climatología trabaja con posibilidades, no con un calendario cerrado del futuro. Por eso el resultado más responsable no es afirmar que la máquina sabe qué ocurrirá, sino que puede ayudar a reconocer antes ciertas condiciones.

También conviene no confundir la transferibilidad de los datos con una validación universal. El equipo señala que la metodología se apoya en información de cobertura mundial y acceso abierto, lo que facilita explorar aplicaciones en otras regiones. Pero las diferencias entre cuencas, usos del agua y condiciones climáticas obligan a comprobar allí la habilidad del modelo. El marco puede viajar; la precisión debe demostrarse en cada destino.

Del estudio a una herramienta para la gestión

El proyecto incluye una implementación operativa basada en web, concebida para mostrar que el método puede tener una aplicación más allá del artículo científico. En la gestión del agua no basta con producir una predicción: hace falta que la información pueda consultarse y utilizarse dentro de los procesos de planificación. La herramienta pretende acercar los escenarios a la toma de decisiones, donde se pueden comparar señales y valorar el riesgo con más detalle que mediante una impresión general.

El desarrollo se apoya en datos abiertos y disponibles a escala global, una característica que puede facilitar su adaptación a otras zonas. No significa que la misma configuración vaya a funcionar sin cambios en cualquier lugar. La hidrología, la demanda y las condiciones climáticas locales modifican el modo en que una señal meteorológica se convierte en un problema de agua. La apertura de los datos amplía las posibilidades de prueba, pero no sustituye la validación local.

La combinación de modelos, índices y posprocesado con inteligencia artificial es, por tanto, una arquitectura de apoyo. Su interés no reside en que automatice la política hídrica, sino en que puede aportar una lectura más ordenada de la incertidumbre. Si se integra con conocimiento local y con los sistemas de gestión existentes, la previsión estacional puede convertirse en una herramienta más dentro de una planificación que, por definición, debe atender también a reservas, demandas y consecuencias sociales.

Ganar tiempo no elimina la incertidumbre, pero cambia la respuesta

El avance del IIAMA-UPV no anuncia una máquina capaz de impedir la sequía. Muestra que es posible combinar predicciones climáticas internacionales e inteligencia artificial para mejorar la anticipación en una cuenca especialmente expuesta a la tensión hídrica. La investigación añade además una lectura más completa del fenómeno al incorporar tanto las anomalías de lluvia como el efecto de la temperatura. Su valor está en detectar antes, no en prometer que siempre acertará.

En el Júcar, donde agricultura, abastecimiento y necesidades ambientales dependen de una planificación delicada, unos meses de margen pueden servir para preparar opciones y comunicar riesgos con más fundamento. El pronóstico seguirá sujeto a incertidumbre y no reemplazará las decisiones de quienes gestionan el agua. Pero entre reaccionar cuando el daño ya resulta evidente y contar con una señal previa existe una diferencia tangible: más tiempo para pensar, contrastar datos y evitar que la respuesta empiece demasiado tarde.

La sequía puede comenzar lejos de la imagen de un pantano vacío, en indicadores menos visibles y en balances que empeoran poco a poco. Leer esas señales con mayor anticipación no resuelve todos los problemas de la política del agua, aunque sí puede reducir la ceguera ante ellos. La promesa más realista de esta IA es convertir parte de la incertidumbre en margen de planificación, una ventaja sobria que solo tendrá efecto si la ciencia se traduce en decisiones cuidadosas.