Alcances y límites de la inteligencia artificial en materia de drenaje pluvial urbano
Síntesis
La inteligencia artificial ofrece posibilidades extraordinarias para analizar, pronosticar y gestionar los escurrimientos pluviales urbanos. Sin embargo, la complejidad de las redes de drenaje, su interacción dinámica y la incertidumbre inherente a las tormentas imponen límites a los modelos sustentados exclusivamente en datos. Este artículo examina tales limitaciones, distingue entre predicción estadística y explicación física, y plantea la integración de la inteligencia artificial con la hidrología de base física y la hidráulica como el camino más prometedor para enfrentar los desafíos del drenaje urbano.
1. Una ciudad no tiene una sola red de drenaje
La inteligencia artificial (IA) se ha extendido con extraordinaria rapidez hacia prácticamente todas las ramas de la ingeniería. La hidrología y la hidráulica no son la excepción. Algoritmos capaces de procesar enormes volúmenes de información, identificar patrones, relacionar múltiples variables y generar predicciones en tiempos antes inimaginables ofrecen posibilidades que sería absurdo desdeñar. El problema comienza cuando confundimos esas capacidades con otra muy distinta: la representación física de los fenómenos. La IA puede analizar información meteorológica, procesar imágenes de radar, estimar parámetros, construir escenarios y acelerar cálculos que antes requerían horas o días, pero nada de ello significa que la inferencia estadística, por poderosa que sea, pueda sustituir por sí sola la comprensión de un sistema hidrológico-hidráulico complejo.
Y en pocas áreas de la ingeniería esta distinción resulta tan importante como en el drenaje pluvial urbano. Una inundación en una ciudad no es solamente consecuencia de cuánto llueve: es el resultado de una interacción dinámica entre la precipitación, el territorio, la infraestructura construida y las condiciones que prevalecen precisamente cuando ocurre la tormenta. Para visualizar su complejidad partamos de que existen, cuando menos, cuatro redes de drenaje superpuestas.
La primera es la red natural, determinada fundamentalmente por la topografía: el agua busca las partes bajas y sigue las trayectorias impuestas por el relieve. La segunda es la red superficial urbana, creada por calles, avenidas, banquetas, camellones, pasos inferiores, terraplenes, puentes y multitud de obstáculos que modifican las rutas naturales del escurrimiento; una avenida puede transformarse súbitamente en un cauce y un paso deprimido, en un almacenamiento. La tercera corresponde a canales y drenes artificiales, construidos para interceptar, conducir o desviar los escurrimientos superficiales. Finalmente está la red subterránea de alcantarillado, formada por tuberías, colectores, pozos de visita, estructuras de alivio, conexiones y cárcamos de bombeo.
Estas redes no solamente coexisten: intercambian agua entre sí y, durante una tormenta intensa, algunos de sus elementos pueden incluso cambiar de función. Un colector que normalmente trabaja a superficie libre, por ejemplo, puede entrar en carga; una alcantarilla puede dejar de captar y comenzar a expulsar agua hacia la calle; una obstrucción, modificar súbitamente una trayectoria; un cárcamo, alterar completamente la dirección natural del flujo. Existen incluso colectores construidos deliberadamente en contrapendiente, así como sistemas de bombeo cuya función es revertir la tendencia natural del escurrimiento. La ciudad constituye, por tanto, un sistema hidrológico-hidráulico híbrido cuya conectividad no puede deducirse simplemente observando la topografía.
2. La tormenta más probable
A esta complejidad se agrega otra formidable: la lluvia. Particularmente en las tormentas convectivas, la precipitación posee una enorme variabilidad espacial y temporal. Una celda de tormenta puede descargar intensamente sobre unos cuantos kilómetros cuadrados mientras una zona cercana recibe cantidades mucho menores. Su localización, intensidad, duración, evolución y trayectoria presentan incertidumbres determinantes en pequeñas cuencas urbanas, cuyos tiempos de respuesta llegan a ser notablemente cortos.
Aquí aparece una de las grandes fortalezas de la inteligencia artificial. Mediante extensas bases de datos puede identificar relaciones entre precipitaciones anteriores y sus consecuencias, reconocer patrones y establecer cuáles combinaciones de variables han estado históricamente asociadas a una inundación. Puede, por ejemplo, concluir que bajo determinadas condiciones una zona de la ciudad presenta la mayor probabilidad de sufrir una afectación. Pero existe una diferencia fundamental entre afirmar eso y sostener que allí ocurrirá la siguiente inundación: la probabilidad de ocurrencia no sustituye a la causalidad física.
Una futura celda de tormenta no está obligada a precipitarse sobre el sitio estadísticamente más vulnerable y, una vez que la lluvia toca el suelo, el agua tampoco está obligada a reproducir exactamente alguna situación contenida en los registros históricos. Su comportamiento dependerá de dónde y cómo llueva, de las condiciones antecedentes de humedad, de la capacidad disponible en las redes y cuerpos de agua, de posibles obstrucciones y, finalmente, de las leyes físicas que gobiernan su movimiento. Dicho de otra manera: la naturaleza no está obligada a realizar el escenario estadísticamente más probable.
3. Escenarios catastróficos no previsibles
Un episodio ocurrido durante la construcción de la presa Aguamilpa, sobre el río Santiago, constituye un ejemplo particularmente ilustrativo, aunque provenga de la hidrología de grandes cuencas y no del drenaje urbano. En enero de 1992, cuando la cortina se encontraba en construcción, se presentó una avenida excepcional que superó ampliamente las condiciones previstas para las obras provisionales de desvío. La magnitud del acontecimiento dio lugar a diversas interpretaciones entre especialistas y técnicos cercanos involucrados.
Una de ellas, planteada verbalmente, buscaba explicar físicamente una avenida cuya magnitud resultaba imposible de conciliar con los registros disponibles. Días antes se habría presentado una helada inusual en las partes altas de la cuenca, capaz de retener temporalmente una cantidad significativa de agua; posteriormente, el aumento de temperatura, coincidente con una precipitación extraordinaria, habría provocado que al escurrimiento generado se sumara el proveniente del deshielo. Si bien no fue comprobado, ilustra la necesidad de buscar, detrás de una observación estadísticamente excepcional, los procesos físicos capaces de haberla producido.
Un fenómeno como el citado no necesariamente deriva de una causa extraordinaria; puede resultar de una combinación inesperada de procesos perfectamente conocidos. La distinción fue expresada de manera particularmente atinada por Chow, Maidment y Mays (1988) en su libro Applied Hydrology: “Statistics is a science of description, not causality” (la estadística es una ciencia descriptiva, no fundamenta causalidades). La estadística permite caracterizar cuán extraordinaria fue una avenida y estimar su probabilidad bajo determinadas hipótesis; la hidrología debe intentar explicar los procesos físicos capaces de producirla. Ambas aproximaciones son necesarias, pero responden a preguntas diferentes.
Un ejemplo más reciente y particularmente dramático ocurrió en la región del Himalaya, donde el colapso de una masa glaciar desencadenó una avalancha y, posteriormente, una crecida de consecuencias catastróficas. Los procesos físicos involucrados no eran desconocidos ni imposibles de representar; lo extraordinario fue su concurrencia y, sobre todo, que algunos de ellos quedaran fuera del conjunto de escenarios normalmente considerados. Un modelo hidrológico-hidráulico puede representar con enorme precisión el movimiento del agua y, sin embargo, no anticipar una crecida cuyo detonante se encuentra en la inestabilidad de una ladera o de una masa glaciar que nunca fue incorporada al problema.
La enseñanza trasciende a la inteligencia artificial y a la ingeniería misma. Ningún modelo contempla todas las contingencias posibles, como tampoco una obra se diseña para resistir cualquier combinación imaginable de acontecimientos catastróficos. La geología, la mecánica de suelos y rocas, la geomorfología y la hidráulica pueden formar parte de una misma cadena causal; el desafío consiste en reconocer oportunamente cuándo debemos mirar más allá de nuestra propia disciplina. La inteligencia artificial ayuda a ampliar esa mirada de manera notable, pero no elimina la responsabilidad de formular correctamente el problema desde sus bases físicas. Podemos resolver con gran precisión las ecuaciones de un escenario y, sin embargo, haber dejado fuera aquél que finalmente tuvo lugar.
4. Aprender del pasado para predecir lo extraordinario
Enfrentar la problemática pluvial conduce a una dificultad adicional para los sistemas sustentados exclusivamente en datos. La inteligencia artificial aprende fundamentalmente de la información disponible; sin embargo, los acontecimientos que más preocupan a la ingeniería pluvial —tormentas extremas, desbordamientos, fallas simultáneas, obstrucciones y cambios inesperados de trayectoria— son precisamente aquellos de los cuales no disponemos de observaciones. Un modelo de IA puede alcanzar un desempeño extraordinario al interpolar dentro del universo de condiciones que ha aprendido. Pero el problema aparece cuando se debe extrapolar hacia combinaciones representadas de manera insuficiente en sus datos de entrenamiento.
En una ciudad podría coincidir una tormenta particularmente intensa con: suelo previamente saturado, un colector en carga, una alcantarilla parcialmente obstruida y flujo superficial procedente de otra subcuenca. Tal combinación quizá nunca haya ocurrido durante el periodo disponible de observaciones y, sin embargo, todos los mecanismos que la integran son físicamente posibles. Los modelos de base física tampoco están exentos de incertidumbre: su desempeño depende de: la calidad de los datos, la representación geométrica, parámetros adoptados y simplificaciones necesarias para resolver las ecuaciones. A pesar de ello, ofrecen una ventaja conceptual importante en tanto que permiten examinar escenarios hipotéticos mediante relaciones físicas explícitas, incluso cuando no existe un antecedente histórico idéntico.
Lo anterior resulta especialmente valioso cuando se busca diseñar soluciones efectivas. Un objetivo es identificar los sitios que probablemente se inundarán y otra, muy distinta, determinar cómo modificar la infraestructura para reducir el riesgo sin trasladar el problema hacia otro lugar. Una segunda finalidad exige evaluar alternativas, establecer condiciones de frontera, representar la conectividad hidráulica y verificar los efectos de cada intervención. Por ello, la combinación de modelos físicos e inteligencia artificial resulta mucho más prometedora que la pretensión de sustituir los primeros por la segunda.
5. La IA como aliada y la ilusión de competencia
Nada de lo señalado disminuye la utilidad que puede tener la inteligencia artificial en el ámbito de la hidrología urbana. Puede mejorar el pronóstico inmediato de tormentas mediante radar, apoyar la calibración de modelos, estimar parámetros, identificar anomalías, priorizar inspecciones, analizar imágenes y construir modelos sustitutos capaces de reproducir rápidamente resultados de simulaciones complejas. También puede explorar cientos de escenarios, apoyar procesos de optimización y alimentar sistemas de alerta temprana y de apoyo para la toma de decisiones.
Es probable que el futuro se encuentre precisamente en los modelos híbridos, la inteligencia artificial informada por la física y la integración en tiempo real de mediciones, pronósticos y simulaciones hidrológico-hidráulicas. La arquitectura deseable no consiste simplemente en combinar datos e inteligencia artificial para obtener una respuesta aparentemente óptima, sino en integrar observación, conocimiento físico, modelos, escenarios e IA, sometiendo los resultados a una validación rigurosa y al criterio profesional. No se trata, pues, de elegir entre hidráulica e inteligencia artificial, sino de entender qué aporta cada una.
Existe, finalmente, otro riesgo, éste no atribuible a la tecnología sino a quienes la utilizamos. La inteligencia artificial puede poner conocimiento experto al alcance de quien no es experto; lo que no puede transferir automáticamente es la experiencia ni el criterio profesional. Saber formular una pregunta y obtener una respuesta técnicamente convincente no equivale necesariamente a comprender sus hipótesis, reconocer sus límites o advertir cuándo deja de ser aplicable. Puede producirse así una peligrosa ilusión de competencia.
Una calculadora no convirtió a nadie en matemático. Un programa de dibujo no convirtió a nadie en arquitecto. Un software de modelación hidráulica no convirtió a nadie en especialista en hidráulica. Pero existe una diferencia importante: ninguna de aquellas herramientas conversaba con su usuario con la apariencia y soltura de un experto. La inteligencia artificial sí puede hacerlo. De ahí una paradoja: cuanto más competente sea un asistente de IA, más importante resulta que quien toma la decisión posea criterio suficiente para reconocer cuándo sus resultados son incorrectos, porque en problemas complejos advertir que un resultado es equivocado puede requerir mucho más conocimiento que el necesario para obtenerlo.
Y acaso el riesgo se pueda resumir de una manera todavía más sencilla: el peligro no es que la IA se crea hidróloga, sino que su usuario llegue a creerse hidrólogo porque dispone de ella.
6. En resumen
La inteligencia artificial constituye una de las herramientas más poderosas que hayan llegado a manos de la ingeniería. Su capacidad para reconocer patrones, procesar enormes volúmenes de información y explorar escenarios abre posibilidades extraordinarias para mejorar la gestión del drenaje pluvial urbano. Pero el agua continúa obedeciendo a la gravedad, a la conservación de la masa y de la cantidad de movimiento, a la manera como ocurren las precipitaciones, a las condiciones de frontera y a la infraestructura que encuentra a su paso.
La IA no elimina esas leyes ni la incertidumbre inherente a los fenómenos naturales. Utilizarla seriamente no significa pedirle que sustituya el conocimiento acumulado durante generaciones por la hidrología y la hidráulica, sino poner su extraordinaria capacidad de procesamiento al servicio de ese conocimiento. La mejor ingeniería no surgirá de enfrentar algoritmos contra ecuaciones, sino de saber integrar ambos. La inteligencia artificial no llega a sustituir a la hidrología ni a la hidráulica. Bien utilizada, viene a potenciarlas.
7. Referencias
Anik, M. S. B. M., An, C., & Li, S. S. (2025). Evolution from the physical process-based approaches to machine learning approaches to predicting urban floods: A literature review. Environmental Systems Research, 14, 15. https://doi.org/10.1186/s40068-025-00409-3
Chow, V. T., Maidment, D. R., & Mays, L. W. (1988). Applied Hydrology. McGraw-Hill.
Marengo Mogollón, H. (1998). Análisis del riesgo de falla por desbordamiento de las obras de contención del P. H. Aguamilpa durante las avenidas extraordinarias de enero, 1992. Documento de ingreso a la Academia Mexicana de Ingeniería. México.
Zeng, B., Huang, G., & Chen, W. (2025). Research progress and prospects of urban flooding simulation: From traditional numerical models to deep learning approaches. Environmental Modelling & Software, 183, 106213.
