An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

El agua es el hilo que cose la atmósfera con la tierra, moviéndose constantemente entre el cielo y el suelo. Cuando la lluvia cae, parte de ella se filtra en la tierra, otra parte fluye hacia los ríos y otra desaparece de nuevo en el aire como vapor mediante un proceso llamado evapotranspiración. Esta es una combinación de la evaporación del agua desde el suelo y la liberación de humedad por parte de las plantas a través de sus hojas. Comprender exactamente cuánta agua realiza este viaje es crítico. Le dice a los agricultores cuándo regar, ayuda a los ingenieros a diseñar embalses y permite a los gestores de desastres predecir cuándo los ríos podrían crecer hasta convertirse en inundaciones. Durante décadas, los científicos han dependido de fórmulas compleulas para estimar estos movimientos de agua, pero estos métodos a menudo requieren montañas de datos meteorológicos y un ajuste cuidadoso que los hace difíciles de usar en lugares donde los registros son incompletos.

Un nuevo enfoque, detallado en una investigación reciente, sugiere que las computadoras pueden aprender estos patrones de agua directamente de la historia, sin necesidad de fórmulas rígidas. Este estudio introduce un marco que utiliza el aprendizaje profundo (deep learning), un tipo de inteligencia artificial capaz de encontrar patrones ocultos en vastas cantidades de información. Los investigadores combinaron varios tipos diferentes de arquitecturas computacionales para que actuaran como un equipo: algunas para detectar patrones locales en el paisaje, otras para recordar cómo cambia el clima a lo largo del tiempo, y un sistema especial para explicar exactamente por qué la computadora hizo una predicción específica. Al entrelazar datos meteorológicos, ubicación geográfica y este nuevo tipo de inteligencia artificial, el estudio ofrece una forma más clara y transparente de pronosticar cómo se mueve el agua a través de la Tierra, un paso vital para la gestión de recursos en un clima cambiante.

Los investigadores se propusstedieron construir un sistema que pudiera predecir la evapotranspiración y la evapotranspiración potencial, que es la cantidad máxima de agua que podría evaporarse si el agua fuera ilimitada. Para lograrlo, recopilaron datos secundarios sobre precipitación, temperatura, humedad, velocidad del viento, radiación solar y la latitud y longitud específicas de una ubicación. En lugar de depender de un único modelo computacional, entrenaron cuatro tipos diferentes de redes de aprendizaje profundo para analizar esta información. Un tipo, conocido como red neuronal, sirvió como base para encontrar relaciones generales. Otro, una red convolucional, fue diseñada para analizar los datos como si fueran una imagen, ayudando a identificar cómo características como la temperatura o la lluvia varían a través de diferentes partes de un paisaje. Otros dos tipos, conocidos como redes recurrentes, fueron construidos específicamente para comprender el tiempo. Podían observar una secuencia de eventos meteorológicos y recordar cómo la lluvia o la humedad de ayer influían en las condiciones de hoy.

El estudio encontró que estas diferentes mentes computacionales tenían fortalezas distintas. Las redes diseñadas para manejar el tiempo, que pueden recordar eventos climáticos pasados, demostraron ser mejores para capturar el flujo de los patrones hidrológicos que las redes estándar que solo miran el presente. Esto tiene sentido, ya que el movimiento del agua es una historia que se desarrolla a lo largo de días y semanas, no solo en una instantánea única. Las redes que analizaron características espaciales también mejoraron las predicciones al reconocer que un parche de tierra caliente y seco se comporta de manera diferente que un valle húmedo, incluso si la temperatura del aire es la misma. Al combinar estos enfoques, el marco creó una imagen más completa de cómo se mueve el agua a través del entorno.

Sin embargo, un obstáculo importante para la inteligencia artificial es que a menudo actúa como una "caja negra", dando una respuesta sin explicar cómo llegó a esa conclusión. En campos como la gestión del agua, donde las decisiones afectan a millones de vidas, saber el "porqué" es tan importante como el "qué". Para resolver esto, los investigadores integraron una herramienta llamada SHAP, que actúa como una lupa para la toma de decisiones de la computadora. Esta herramienta desglosa la predicción final para mostrar exactamente cuánto contribuyó cada factor. El análisis reveló que la precipitación, la temperatura y la radiación solar fueron los principales motores de la evapotranspiración, mientras que la humedad y la velocidad del viento también desempeñaron papeles significativos. Crucialmente, el sistema mostró que la ubicación geográfica en sí misma importaba, confirmando que el lugar donde se sitúa un sitio en el mapa influye en su ciclo del agua.

Los resultados se visualizaron en mapas que mostraban cómo la evapotranspiración varía a través de una región. Las áreas con temperaturas más altas e intensa luz solar mostraron mayores tasas de pérdida de agua, mientras que las ubicaciones más húmedas retuvieron más humedad. Esta visión espacial permitió a los investigadores ver el ciclo del agua no solo como un número, sino como un paisaje que cambia y se desplaza. El estudio sugiere que, al integrar estos diferentes modelos computacionales con mapas geográficos y herramientas explicables, los científicos pueden ir más allá de las simples conjeturas. El marco no solo predice el futuro; explica la lógica detrás de la predicción, convirtiéndolo en una herramienta confiable para los planificadores.

Esta investigación no pretende haber resuelto todos los problemas de la predicción del agua. El estudio se basó en datos existentes y ofreció una comparación cualitativa de cómo se desempeñaron estos diferentes modelos computacionales, en lugar de proporcionar un conjunto de números final y definitivo para cada escenario posible. Los autores señalan que el trabajo futuro deberá probar estos métodos con conjuntos de datos más grandes y variables más complejas, como la humedad del suelo y la salud de la vegetación. Sin embargo, el trabajo establece un camino claro a seguir. Demuestra que podemos construir sistemas inteligentes que sean no solo precisos, sino también comprensibles. Para los gestores de nuestros recursos hídricos, esto significa tener una herramienta que pueda pronosticar inundaciones y sequías mientras muestra claramente el clima y la geografía que impulsan esos pronósticos, convirtiendo datos complejos en conocimiento accionable para un futuro más resiliente.