El cambio climático hace que el clima sea cada vez más impredecible, y los desastres raros son tan poco frecuentes que la estadística acumulada a menudo no basta para evaluar los riesgos. Ingenieros del Instituto Tecnológico de Massachusetts (MIT) han propuesto un enfoque que invierte la lógica habitual: su algoritmo no aprende de desastres pasados, sino que genera escenarios de eventos que simplemente no han ocurrido en la historia de una región. Los desarrolladores —el estudiante de posgrado Kai Chang y el profesor Themistoklis Sapsis— presentaron un método que construye mapas de catástrofes potenciales basándose en la probabilidad estadística, y no en la repetición de lo ya ocurrido.
Por qué los modelos de riesgo tradicionales son ciegos a las nuevas amenazas
Las compañías de seguros, los planificadores urbanos y los operadores de redes eléctricas suelen evaluar los riesgos mediante simulaciones que se apoyan en eventos extremos ya ocurridos. En estos modelos se incorporan datos de huracanes, inundaciones o sequías pasados, y luego esos patrones se proyectan hacia el futuro. La lógica es simple: si un desastre se repite con cierta periodicidad, se puede predecir por analogía.
Pero este enfoque tiene un defecto fundamental, que los investigadores del MIT explican con el ejemplo del huracán Katrina. Eventos de esa magnitud ocurren aproximadamente una vez cada 30–40 años, mientras que aseguradoras e ingenieros necesitan una evaluación para fenómenos mucho más raros —aquellos que ocurren una vez cada siglo o más. Apenas hay datos sobre tales catástrofes, por lo que los algoritmos clásicos o subestiman el riesgo, o simplemente predicen lo que ya ha sucedido. El nuevo desarrollo intenta cerrar esta brecha respondiendo a la pregunta de cómo se ve un evento cuya probabilidad es del uno por ciento anual, incluso si nunca se ha registrado nada similar.
Cómo aprende el algoritmo lo «imposible»
En lugar de buscar en los datos históricos rastros de catástrofes, el método Extreme Event Aware (η-learning) trabaja con dos tipos de datos de entrada. El primero es la estadística puntual: muestra con qué frecuencia aparece un determinado nivel de intensidad en el conjunto de datos, por ejemplo, la cantidad máxima de precipitación en un mapa durante un día. El segundo tipo son los mapas espaciales, que describen cómo se distribuye la fuerza del impacto por el territorio de la región.
La idea clave es aprender la relación estadística entre estas dos representaciones. El algoritmo observa cómo se correlacionan los patrones espaciales de baja resolución con los mapas detallados de alta resolución, y utiliza la estadística puntual de todo el período como restricción. Gracias a ello, es capaz de crear escenarios espaciales realistas para eventos que superan con creces cualquier ejemplo del conjunto de entrenamiento. En esencia, la red no predice «qué ocurrirá», sino que construye «qué podría ocurrir» — pero con una probabilidad matemáticamente fundamentada.
Prueba con precipitaciones estadounidenses
Para verificar el método, se decidió usar datos de precipitaciones en la parte continental de Estados Unidos. Para el experimento se tomaron 25 años de observaciones horarias, se combinaron en mapas diarios y se calculó la estadística puntual —con qué frecuencia la cantidad máxima de precipitación en el mapa alcanzaba un nivel determinado durante todo ese período. El modelo espacial se entrenó con un material mucho más modesto: solo seis meses de pares de mapas de baja y alta resolución. Además, se eligieron los primeros seis meses del período de 25 años —un tramo en el que apenas hubo lluvias intensas o no las hubo en absoluto.
Luego, el algoritmo vinculó cómo los patrones de baja resolución se transforman en detalles de alta resolución y les aplicó la estadística puntual completa del cuarto de siglo para acotar la magnitud de la generación. El resultado fue revelador: las precipitaciones máximas registradas en Nueva York alcanzan los 200 milímetros, mientras que el método es capaz de generar mapas plausibles de una tormenta con 300 milímetros —un nivel sin precedentes en las observaciones. El usuario puede indicar al algoritmo una ciudad y solicitar una «tormenta de una vez cada 100 años», y obtener como resultado una serie de mapas con diferentes tamaños, áreas de cobertura e intensidades de precipitación. Además, crear estos escenarios no requiere grandes recursos computacionales: la red puede generar conjuntos completos de variantes en una sola ejecución.
Para quién son útiles las catástrofes generadas
La posibilidad de ver de antemano un desastre que aún no ha ocurrido abre perspectivas prácticas para toda una serie de soluciones de infraestructura. La administración de una ciudad puede comprobar si un dique resistirá una marejada ciclónica que supere todo lo registrado anteriormente. Las empresas energéticas obtendrán escenarios de olas de calor más largas e intensas para evaluar si la red eléctrica soportará la carga máxima. Y los servicios de bomberos podrán ensayar la extinción de un incendio forestal de mayor extensión que cualquiera de los que hayan ocurrido jamás en su región.
Limitaciones y perspectivas de futuro
Por ahora, el método solo se ha demostrado con precipitaciones, y para aplicarlo a otros tipos de desastres será necesario preparar los datos correspondientes: tanto la estadística puntual como los mapas espaciales para el peligro concreto. A futuro, los autores prevén ampliarlo a grandes inundaciones e incendios forestales que no tienen precedentes en los archivos históricos.
Themistoklis Sapsis subraya un contexto más amplio: la infraestructura global moderna está optimizada para la eficiencia y deja muy poco margen de seguridad. Un solo evento extremo puede propagarse en cuestión de semanas a través de las cadenas de suministro, los mercados energéticos y los sistemas alimentarios. Por eso, saber asignar una probabilidad a un evento que aún no ha ocurrido no es solo una cuestión de curiosidad científica, sino también de resiliencia nacional y económica. El nuevo algoritmo del MIT da ese paso: no predice el futuro a partir del pasado, sino que ayuda a prepararse para lo que es estadísticamente posible, aunque nunca haya sucedido.
