El Servicio Nacional de Meteorología e Hidrología del Perú (Senamhi), adscrito al Ministerio del Ambiente, dio a conocer avances científicos en el uso de modelos híbridos basados en técnicas de deep learning (Inteligencia Artificial) con el fin de optimizar la predicción hidrológica en las cuencas de la vertiente del Pacífico, una de las zonas más expuestas a eventos hidroclimáticos extremos.
El especialista de la Dirección de Hidrología del Senamhi, Harold Llauca, destacó el impacto generado por los recientes eventos extremos y la urgente necesidad de anticiparlos.
Asimismo, señaló que la medición constituye el punto de partida y que, al cierre de diciembre de 2025, el Senamhi dispone de 131 estaciones hidrológicas operativas.
Huánuco: Joven muere tras caer 400 metros durante instalación de cables en proyecto de electrificación
¿Por qué emplear estos modelos híbridos?
Se recurre a modelos híbridos que integran redes neuronales profundas (LSTM y CNN) con modelos conceptuales como el GR4J, con el fin de combinar el poder predictivo de la inteligencia artificial con la interpretabilidad propia de la hidrología,
El estudio evaluó 13 cuencas de la vertiente del Pacífico, desde Tumbes hasta Arequipa, incluidas aquellas con alta intervención humana, donde los modelos tradicionales presentan menores niveles de desempeño.
Un ejemplo es la cuenca Puyango–Tumbes, situada en Tumbes y compartida con Ecuador, donde la ausencia de estaciones de monitoreo en el lado ecuatoriano limita la capacidad de prever aumentos del caudal.
Midis registra más de 4,6 millones de atenciones sociales en zonas rurales de sierra y selva
No obstante, la aplicación de técnicas de Deep Learning ha permitido obtener mejoras sustanciales en la simulación hidrológica respecto a los modelos convencionales, elevando su desempeño de aproximadamente 30 % a niveles cercanos al 80 % en determinados escenarios.
Cabe señalar que gracias a la evidencia científica obtenidas de las técnicas de IA, también pueden aplicarse en zonas donde no existen datos de caudal mediante procesos de regionalización hidrológica.
