Spatial machine learning and explainable artificial intelligence predict urban road flood vulnerability in coastal West Africa

En las ciudades costeras de África Occidental, el suelo se está desplazando bajo los pies de quienes las construyen y mantienen. El rápido crecimiento urbano está cubriendo los paisajes naturales con pavimentos, convirtiendo el suelo que antes bebía la lluvia en superficies duras que expulsan el agua. Al mismo tiempo, el clima está cambiando, trayendo tormentas más intensas que desbordan los antiguos sistemas de drenaje. Para los ingenieros encargados de mantener las carreteras abiertas y seguras, esto crea un rompecabezas peligroso. Los métodos tradicionales para predecir dónde podría inundarse una carretera dependen de estudios detallados y costosos del terreno y de complejas simulaciones físicas. Estos enfoques funcionan bien para un puente individual o una autopista principal, pero son demasiado costosos y lentos para aplicarse a las vastas y enredadas redes de calles menores que conectan barrios enteros. Cuando una ciudad no puede permitirse mapear cada centímetro de su red vial, a menudo reacciona solo después de que el daño está hecho, reparando las carreteras solo después de que han sido arrasadas.

Un nuevo enfoque ofrece un camino diferente, uno que se apoya en la gran cantidad de datos gratuitos que ya están disponibles en satélites y mapas abiertos. Investigadores han desarrollado un método que combina estas fuentes de datos abiertos con un tipo de aprendizaje computacional diseñado para ser transparente. En lugar de tratar a la computadora como una misteriosa "caja negra" que simplemente arroja una puntuación de riesgo, este método utiliza una técnica llamada inteligencia artificial explicable. Esta herramienta despoja las capas de la toma de decisiones de la computadora para revelar las razones físicas específicas por las cuales una carretera es vulnerable. Permite a los ingenieros ver no solo que una carretera está en riesgo, sino por qué está en riesgo, convirtiendo probabilidades abstractas en instrucciones de ingeniería concretas.

El estudio se centró en las redes viales de las ciudades costeras de África Occidental, donde la amenaza de inundación es aguda. Los investigadores comenzaron tomando el mapa digital de las carreteras y descomponiéndolo en piezas pequeñas y manejables, cada una de exactamente cien metros de largo. Para cada segmento de carretera, recopilaron un conjunto de hechos de bases de datos globales gratuitas. Observaron qué tan alto era el terreno, qué tan pronunciada era la pendiente, cuánto estaba cubierta el área circundante por concreto o edificios, y cuánta lluvia había caído en el pasado. También revisaron registros históricos para ver qué segmentos de carretera se habían inundado realmente antes. Esto creó un conjunto masivo de datos donde cada segmento de carretera estaba emparejado con las condiciones que llevaron a su falla o su supervivencia.

Para dar sentido a estos datos, el equipo entrenó un potente modelo computacional conocido como árbol de decisión de gradiente potenciado (gradient-boosted decision tree). Piense en este modelo como un analista altamente calificado que puede detectar patrones sutiles en una montaña de información que un humano podría pasar por alto. El modelo aprendió a predecir si un segmento de carretera se inundaría basándose en sus características físicas. Funcionó con una precisión notable, identificando correctamente las carreteras vulnerables en la gran mayoría de los casos. Sin embargo, el verdadero avance no fue solo la predicción, sino la explicación. Al utilizar la herramienta de inteligencia artificial explicable, los investigadores pudieron pedirle al modelo que mostrara su trabajo. Descubrieron que la computadora no estaba adivinando; estaba basándose en límites físicos específicos y mensurables.

Los hallazgos revirtieron un supuesto común en la planificación urbana. Durante décadas, los funcionarios municipales han asumido a menudo que las carreteras principales y mayores son las más críticas de proteger, mientras que las calles locales más pequeñas son menos importantes. Los datos demostraron que esto es falso. El modelo computacional encontró que la etiqueta administrativa de una carretera —ya fuera una arteria principal o una calle secundaria pequeña— no tenía ningún efecto real sobre si se inundaría. Una carretera pequeña en una zona baja y plana con altas cantidades de concreto cerca era tan propole a fallar como una autopista principal en ese mismo lugar. Los factores que realmente importaban eran las condiciones físicas locales: la altura de la carretera sobre el nivel del mar, la inclinación del terreno y cuánto terreno circundante estaba cubierto por edificios.

El estudio señaló umbrales exactos donde el riesgo de inundación aumenta drásticamente. Se encontró que las carreteras situadas a una elevación inferior a doce metros sobre el nivel del mar estaban en grave peligro. Cuando la pendiente del terreno era más plana que dos y medio grados, el agua no tenía a dónde ir, lo que provocaba acumulaciones peligrosas. Del mismo modo, cuando más del sesenta y cinco por ciento de la tierra en un área corta de la carretera estaba cubierta por edificios o pavimento, el agua no tenía lugar para filtrarse, obligándola a correr sobre la superficie de la carretera. El modelo también identificó que cuando un solo día de lluvia excede los ciento cuarenta y cinco milímetros, la base estructural de la carretera se satura y falla. Estos no son avisos vagos; son puntos de inflexión físicos precisos.

Este trabajo proporciona un plano claro para las ciudades que carecen de presupuesto para costosos estudios de campo. En lugar de esperar a que ocurra un desastre, los ingenieros municipales ahora pueden usar estos números específicos para guiar sus decisiones. Si una carretera está en un área plana con una pendiente de menos de dos y medio grados, la ciudad sabe que necesita elevar la base de la carretera o mejorar el drenaje de inmediato. Si un vecindario se ha pavimentado tanto que más del sesenta y cinco por ciento de la superficie es impermeable, la ciudad sabe que debe instalar superficies permeables o tuberías de drenaje más grandes. La investigación sugiere que, al enfocarse en estas realidades físicas en lugar de categorías administrativas de carreteras, las ciudades pueden dirigir sus fondos limitados a los lugares donde harán el mayor bien.

Las implicaciones se extienden más allá de la reparación de carreteras. Al comprender exactamente dónde y por qué falla la infraestructura, las ciudades pueden planificar el futuro con mayor confianza. Los investigadores proponen que estos hallazgos sean incorporados en los códigos de construcción locales y en las reglas de diseño de drenaje. Cuando se planea una nueva carretera, o cuando se repara una antigua, el diseño debe basarse en estos umbrales físicos. Si el terreno es demasiado plano o el área circundante está demasiado pavimentada, las especificaciones de ingeniería deben cambiar para compensarlo. Este cambio de una reparación reactiva a un diseño proactivo basado en datos ofrece una forma de construir resiliencia en algunas de las zonas costeras más vulnerables del mundo.

En última instancia, el estudio demuestra que la adaptación climática de alta calidad no siempre requiere de tecnología nueva y costosa o de equipos de campo masivos. Al combinar datos satelitales disponibles gratuitamente con modelos computacionales inteligentes y transparentes, es posible ver los riesgos ocultos en la infraestructura de una ciudad. El resultado es una guía práctica y accionable que le dice a los ingenieros exactamente qué reparar y cómo repararlo. En un mundo donde el cambio climático está haciendo que el clima extremo sea más común, esta capacidad de predecir y prevenir el fallo es una herramienta vital para mantener a las comunidades conectadas y seguras.