Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

En muchas partes del mundo, las ciudades están creciendo más rápido de lo que la tierra debajo de ellas puede soportar. Cuando cae una lluvia intensa sobre un paisaje cubierto de concreto y asfalto, el agua no puede filtrarse en el suelo como lo hacía antes. En su lugar, corre por la superficie, ganando velocidad y volumen hasta que abruma calles y sótanos. Esta es la esencia de las inundaciones urbanas, una crisis que se vuelve más frecuente a medida que el cambio climático trae tormentas más intensas y la rápida construcción sella el drenaje natural. Para proteger a las personas y la propiedad, los planificadores urbanos necesitan saber exactamente dónde se acumulará el agua y qué tan profunda podría llegar a ser. Durante décadas, los expertos han dependido de mapas y registros históricos para adivinar estos riesgos, pero un nuevo enfoque está cambiando las reglas del juego. Al combinar ojos satelitales que pueden ver a través de las nubes con potentes programas informáticos que aprenden de los patrones, los científicos ahora pueden predecir los riesgos de inundación con un nivel de precisión que antes era imposible. Este cambio permite que las comunidades pasen de reaccionar ante los desastres a prevenirlos.

En la parte occidental de Riad, Arabia Saudita, un investigador aplicó este kit de herramientas moderno a un desafío específico: la cuenca de Wadi Hanifa. Este valle, que atraviesa los distritos occidentales y centrales de la ciudad, es un canal natural para el agua que fluye desde las montañas cercanas. Aunque históricamente ha sustentado la agricultura y el asentamiento, la rápida expansión de Riad ha convertido gran parte de este valle en una zona urbana densa. El crecimiento de la ciudad ha creado una situación en la que las lluvias intensas, que son poco frecuentes pero fuertes, pueden convertirse rápidamente en peligrosas inundaciones repentinas. El investigador se propuso crear un mapa detallado que mostrara exactamente qué vecindarios tienen más probabilidades de ser inundados. No se basó en conjeturas o reglas simples de cálculo. En su lugar, construyó un modelo digital de toda la cuenca, alimentándolo con una vasta gama de información recopilada desde el espacio y el suelo.

El investigador recopiló datos de cinco fuentes diferentes para construir una imagen completa del paisaje. Utilizó imágenes satelitales para ver los tipos de superficies que cubren el suelo, distinguiendo entre vegetación verde, suelo desnudo y las superficies duras e impermeables de edificios y carreteras. Incorporó imágenes de radar que pueden detectar el agua incluso cuando el cielo está nublado, asegurando que pudieran ver la extensión real de inundaciones pasadas. También integró un mapa 3D detallado del terreno para comprender la pendiente y la forma de la tierra, junto con décadas de registros de precipitaciones para ver dónde habían golpeado las tormentas más fuertes. Finalmente, mapeó las redes de carreteras, que pueden actuar como barreras o canales para el agua. Con toda esta información ensamblada, recurrió a un algoritmo de aprendizaje automático, un tipo de programa informático que aprende por ejemplo. Le mostró a la computadora miles de ejemplos de áreas que se habían inundado en el pasado y miles de ejemplos de áreas que se habían mantenido secas. La computadora analizó estos ejemplos para encontrar los patrones ocultos que conectan el paisaje con el agua.

La computadora aprendió que el riesgo de inundación en esta región es impulsado por unos pocos factores clave. El factor más importante resultó ser la densidad de la red de drenaje. Las áreas con una alta concentración de arroyos y canales son más propensas a inundarse porque el agua se concentra allí, especialmente durante lluvias intensas. El segundo factor más crítico es el tipo de cobertura terrestre. Los vecindarios con muchos edificios y carreteras pavimentadas, donde el agua no puede filtrarse, enfrentan un riesgo mucho mayor que las áreas con más suelo o vegetación. La intensidad de la lluvia fue el tercer impulsor principal, confirmando que el puro volumen de agua que cae en un corto tiempo es una causa primaria del problema. La computadora también aprendió que la rugosidad del terreno importa; las áreas más suaves y planas permiten que el agua se extienda y se acumule, mientras que el terreno más rugoso puede frenarla. Otros factores, como la dirección de la pendiente de la tierra o su elevación exacta, jugaron un papel pero fueron menos decisivos que los patrones de drenaje y uso de la tierra.

Una vez que la computadora aprendió estos patrones, los aplicó a toda la cuenca de Wadi Hanifa para predecir los riesgos de inundación para cada punto del mapa. Los resultados fueron sorprendentemente precisos. Cuando el investigador probó el modelo con datos del mundo real, identificó correctamente las áreas inundadas el 90 por ciento de las veces. El modelo distinguió con éxito entre los lugares que se inundarían y aquellos que no, demostrando que la combinación de datos satelitales y aprendizaje automático podía capturar la compleja realidad de las inundaciones urbanas. El mapa resultante divide la cuenca en cinco categorías de riesgo, que van desde muy bajo hasta muy alto. El análisis reveló que aproximadamente el 6.1 por ciento de la cuña está en riesgo muy alto, con otro 14.2 por ciento enfrentando un riesgo alto. Estas zonas peligrosas no están dispersas al azar; se agrupan en vecindarios específicos y densamente poblados.

El mapa identificó varias comunidades que requieren atención inmediata. Áreas como Center Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah y Hejrat Wadi Leban fueron señaladas por tener una susceptibilidad muy alta a las inundaciones urbanas. Estos vecindarios se encuentran en zonas bajas donde el agua se acumula naturalmente, y están rodeados de extensas redes de carreteras y edificios que impiden que el agua se drene. El estudio destaca que estos no son solo riesgos teóricos; las predicciones del modelo coinciden con las ubicaciones reales donde han ocurrido inundaciones. Por ejemplo, cuando ocurrió un evento de inundación importante en abril de 2026, la gran mayoría de los puntos de inundación observados cayeron exactamente dentro de las zonas que el modelo había marcado como de riesgo alto o muy alto. Esta validación otorga a los funcionarios de la ciudad una herramienta poderosa para la toma de decisiones. Ahora pueden ver exactamente dónde reforzar los sistemas de drenaje, dónde restringir nuevas construcciones y dónde priorizar los planes de respuesta a emergencias.

Esta investigación demuestra que el futuro de la gestión de inundaciones radica en integrar la tecnología avanzada con el conocimiento local. Al utilizar el aprendizaje automático para analizar la compleja interacción de la lluvia, el terreno y el desarrollo humano, los científicos pueden proporcionar información clara y accionable para proteger las ciudades en crecimiento. El estudio no pretende haber resuelto el problema de las inundaciones para siempre, pero ha proporcionado un método confiable para identificar los puntos más vulnerables. Para los residentes de Riad y otras ciudades en rápido proceso de urbanización, esto significa un cambio de esperar lo mejor a prepararse para lo peor con confianza. El mapa sirve como una guía, mostrando hacia dónde irá el agua para que la gente pueda construir mejor, planificar de manera más inteligente y mantenerse segura.