A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

Los ciclones tropicales se encuentran entre las fuerzas más poderosas de la Tierra, formándose sobre las cálidas aguas oceánicas para desatar vientos, lluvias y marejadas ciclónicas que pueden remodelar las costas y amenazar la vida de millones de personas. Durante décadas, los meteorólogos han trabajado para predecir hacia dónde irán estas tormentas y qué tan fuertes se volverán. Estos pronósticos dependen de complejos modelos computacionales que rastrean el movimiento y la intensidad de la tormenta, otorgando a las autoridades una ventaja vital. Sin embargo, conocer la trayectoria de una tormenta es solo la mitad de la batalla. Un pronóstico que le dice a una ciudad que debe esperar vientos fuertes es útil, pero no le dice automáticamente a los funcionarios qué vecindarios son más vulnerables, cuántas personas deben evacuar o qué peligros específicos —como inundaciones frente a daños estructurales— les aguardan. La brecha entre una predicción meteorológica bruta y un plan claro y accionable para salvar vidas ha sido, durante mucho tiempo, un desafío para los gestores de desastres.

Para cerrar esta brecha, un equipo de investigadores ha desarrollado un nuevo sistema que combina el poder predictivo de la inteligencia artificial con una forma estructurada de comprender el mundo, conocida como ontología. Piense en una ontología como un mapa digital de conocimiento que conecta hechos sobre la tormenta con hechos sobre la tierra y las personas que viven allí. Mientras que la inteligencia artificial es excelente detectando patrones en cantidades masivas de datos para predecir el futuro, a menudo actúa como una "caja negra", ofreciendo un número o una trayectoria sin explicar el razonamiento detrás de ello. Los investigadores querían construir un sistema que no solo prediga hacia dónde irá un ciclón, sino que también traduzca esa predicción en una historia clara y lógica sobre el riesgo. Al enseñar a una computadora a comprender las relaciones entre la velocidad del viento, la pluviosidad, la densidad de población y la resistencia de las edificaciones, crearon una herramienta que puede generar consejos específicos y comprensibles para los tomadores de decisiones.

Los investigadores probaron este marco híbrido utilizando tres ciclones reales que azotaron la Bahía de Bengala: Amphan en 2020, Yaas en 2021 y Remal en 2024. El sistema opera en dos etapas principales. Primero, utiliza un tipo de inteligencia artificial llamada red de Memoria a Largo Corto Plazo (Long Short-Term Memory) para analizar datos meteorológicos históricos. Este modelo analiza una secuencia de observaciones pasadas —como la ubicación, la velocidad y la presión de la tormenta— para pronosticar su trayectoria para las siguientes veinticuatro horas. Simultáneamente, un segundo modelo de inteligencia artificial estima el tamaño de la zona de impacto de la tormenta, determinando qué tan lejos desde el centro alcanzarán las condiciones peligrosas. Estas predicciones no son solo números; se introducen en la segunda etapa del sistema, el motor de razonamiento basado en ontología.

Este motor de razonamiento actúa como el traductor. Toma la trayectoria y el tamaño predichos de la tormenta y los superpone sobre un perfil digital detallado de la región afectada. Este perfil incluye información estática que no cambia, como la ubicación de los pueblos, la densidad de la población, el tipo de edificios en el área y la geografía local. El sistema aplica entonces un conjunto de reglas lógicas a estos datos combinados. Por ejemplo, si la IA predice vientos fuertes y la ontología sabe que un área específica tiene muchas estructuras viejas y frágiles, el sistema infiere un alto riesgo de daños estructurales. Si el pronóstico incluye lluvias intensas y el área es de baja altitud, el sistema infiere un alto riesgo de inundación. El resultado es una evaluación de riesgo integral que va más allá de los simples datos meteorológicos para responder preguntas críticas: ¿Qué tan severa es la amenaza? ¿Qué áreas están en la zona roja? ¿Cuántas personas están en riesgo?

Cuando el equipo aplicó este marco al Ciclón Amphan, el más destructivo de los tres, el sistema funcionó con alta precisión. La IA predijo la trayectoria de la tormenta con un error promedio de aproximadamente 72 kilómetros en un período de veinticuatro horas, un nivel de precisión comparable a otros métodos avanzados de aprendizaje profundo. Más importante aún, el motor de razonamiento identificó correctamente el evento como una amenaza "Severa", asignándole una zona de riesgo roja y recomendando una respuesta de alerta alta. Estimó que aproximadamente 640,000 personas estaban en riesgo, una cifra que coincidió estrechamente con la masiva respuesta de emergencia que se lanzó realmente durante el evento real. El sistema distinguió con éxito entre el peligro extremo de Amphan y los riesgos ligeramente menores, aunque todavía significativos, planteados por los ciclones Yaas y Remal. Para Yaas, el sistema también señaló una zona roja y alerta alta, mientras que para Remal, evaluó correctamente un riesgo moderado, sugiriendo una zona amarilla y un nivel de urgencia menor.

El estudio demuestra que combinar la inteligencia artificial predictiva con el razonamiento de conocimiento estructurado crea una herramienta más útil para la gestión de desastres de lo que cualquiera de los dos enfoques podría proporcionar por sí solo. La inteligencia artificial se encarga de la matemática difícil de predecir el futuro de la tormenta, mientras que la capa de la ontología asegura que estas predicciones sean interpretadas a través del lente de la realidad local. Esto permite que el sistema produzca resultados que no son solo números precisos, sino consejos inteligibles, tales como directivas de evacuación específicas o avisos de refugio. Los investigadores encontraron que este enfoque transformó con éxito los datos meteorológicos brutos en información de riesgo semántica y estructurada en la que los tomadores de decisiones pudieran confiar y actuar. Aunque el sistema actual depende de datos históricos y reglas predefinidas, los autores sugieren que versiones futuras podrían incorporar datos en tiempo real de satélites y estaciones meteorológicas para hacer el sistema aún más sensible. En última instancia, este trabajo ofrece un camino prometedor hacia sistemas de gestión de desastres que no solo sean lo suficientemente inteligentes para predecir la tormenta, sino también lo suficientemente sabios para comprender su verdadero impacto en las personas y los lugares que amenazan.