Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

Las inundaciones se encuentran entre las fuerzas más poderosas y destructivas de la naturaleza, capaces de remodelar paisajes y trastocar vidas en cuestión de horas. Para las comunidades que viven en zonas bajas o cerca de valles fluviales, la amenaza es constante, pero el peligro no es uniforme en todo el territorio. Algunos puntos son naturalmente propensos a retener agua, mientras que otros permanecen secos incluso durante tormentas intensas. Tradicionalmente, los científicos han mapeado estos riesgos utilizando imágenes estáticas que muestran qué áreas son generalmente vulnerables según su forma, altura y suelo. Sin embargo, estos mapas a menudo no logran capturar una realidad crucial: el riesgo cambia cuando el clima cambia. Una ladera que es segura durante una llovizna ligera puede convertirse en un torrente durante una semana de lluvias intensas, y una llanura podría inundarse solo si la precipitación es lo suficientemente intensa como para abrumar al suelo. Comprender dónde se encuentran las personas y los edificios en relación con estos riesgos cambiantes es esencial para mantener seguras a las comunidades, pero la mayoría de los mapas existentes no se actualizan a sí mismos conforme cambia el clima.

En la árida provincia costera de Trujillo, Perú, este desafío es particularmente agudo. La región es generalmente seca, pero es golpeada periódicamente por eventos de lluvias intensas vinculados al fenómeno de El Niño, un patrón climático que calienta el Océano Pacífico y altera el clima en todo el mundo. Estas tormentas poco comunes pueden convertir quebradas secas en ríos caudalosos, inundando vecindarios urbanos y dañando la infraestructura. Investigadores de la Universidad Nacional de Trujillo y la Universidad Nacional del Altiplano se propusieron resolver este problema del mapeo estático mediante la creación de una nueva forma de rastrear el riesgo de inundación que cambie con el clima. Querían construir un sistema que no solo pudiera identificar qué partes de la ciudad son naturalmente vulnerables, sino también actualizar ese riesgo en tiempo real a medida que cae nueva lluvia, mostrando simultáneamente dónde se encuentran exactamente las personas y los edificios dentro de esas zonas de peligro.

Para lograr esto, el equipo revisó tres grandes eventos de inundación que afectaron a Trujillo en 2017, 2023 y 2025. En lugar de depender de cámaras tradicionales que no pueden ver a través de las nubes, utilizaron imágenes de radar de satélites que pueden escanear el suelo de día o de noche, independientemente del clima. Al comparar imágenes tomadas antes y después de cada tormenta, pudieron rastrear las huellas exactas del agua a medida que se extendía por la tierra. Combinaron estos datos históricos con información detallada sobre el terreno, como la pendiente de la tierra, la altura del suelo y la ubicación de los canales de drenaje, así como datos geológicos sobre las rocas y el suelo. También incorporaron datos sobre la propia lluvia, desglosando las tormentas en diferentes duraciones para ver cómo los estallidos cortos e intensos de lluvia se comparaban con los aguaceros más largos y constantes.

Los investigadores utilizaron luego un tipo de aprendizaje computacional llamado aprendizaje automático (machine learning) para encontrar los patrones que conectan el paisaje y el clima con las inundaciones reales. Probaron varios modelos computacionales diferentes para ver cuál podía predecir mejor hacia dónde iría el agua. Un modelo, conocido como Random Forest (Bosque Aleatorio), demostró ser el más preciso. Aprendió a reconocer que ciertas combinaciones de factores —como una dirección específica hacia la que mira la tierra, la pendiente de una ladera y la cantidad de lluvia— eran indicadores sólidos de inundación. Este modelo no solo memorizó los eventos pasados; aprendió las reglas subyacentes de cómo se mueve el agua a través del paisaje de Trujillo. El análisis reveló que la dirección hacia la que se orienta la tierra, la cantidad de lluvia, la elevación y la pendiente fueron los factores más importantes para determinar qué áreas se inundarían.

Lo que hace que este estudio sea distinto es su capacidad para ir más allá de un mapa único e inalterable. Una vez que la computadora aprendió las reglas de las tormentas pasadas, los investigadores demostraron que podían actualizar el mapa de riesgo simplemente ingresando nuevos datos de precipitación, sin tener que enseñar a la computadora todo de nuevo. Esto significa que, si ocurre una nueva tormenta, el sistema puede generar instantáneamente un mapa fresco que muestya dónde es mayor el riesgo en ese momento. Probaron esto creando un escenario para septiembre de 2026. En esta vista actualizada, el riesgo no estaba distribuido uniformemente; en cambio, una gran parte del territorio mostraba un nivel de riesgo moderado, cubriendo más de la mitad del área. Sin embargo, las áreas con el riesgo más alto eran más pequeñas pero aun así significativas, y coincidían con partes específicas de la ciudad donde vive mucha gente.

El estudio también aportó una dimensión humana a los números al superponer datos de población y densidad de edificios sobre los mapas de inundación. Esto permitió al equipo ver no solo hacia dónde podría ir el agua, sino quiénes se verían afectados. En el evento de 2017, por ejemplo, más de la mitad de la población expuesta se encontraba en áreas de riesgo alto o muy alto. Por el contrario, en el evento de 2025, la distribución cambió, con una mayor proporción de la población situándose en áreas de riesgo moderado. Al observar la actualización dinámica para septiembre de 2026, los investigadores encontraron que, si bien la zona de riesgo moderado cubría la mayor parte de la tierra y la gran mayoría de la población, las zonas más pequeñas de alto riesgo aún contenían casi el 18 por ciento de las personas y casi el 20 por ciento de la superficie edificada. Esto resalta que incluso un área pequeña de alto riesgo puede ser crítica si está repleta de hogares y negocios.

Los investigadores concluyeron que su enfoque ofrece una herramienta poderosa para los tomadores de decisiones. Al combinar radar satelital, aprendizaje automático y datos climáticos en tiempo real, crearon un sistema que puede rastrear la susceptibilidad a las inundaciones a medida que evoluciona. Esta visión dinámica ayuda a identificar áreas prioritarias para la prevención y la respuesta, alejándose de la idea de que el riesgo de inundación es una característica fija del paisaje. Si bien el estudio se basa en simulaciones computacionales y datos históricos en lugar de mediciones hidráulicas en tiempo real, proporciona un método robusto para comprender cómo la interacción entre el terreno y el clima moldea el peligro para las comunidades. Para una ciudad como Trujillo, donde la amenaza de lluvias repentinas e intensas es una realidad recurrente, contar con un mapa que pueda actualizarse a sí mismo ofrece un camino más claro hacia la protección de vidas y propiedades.