La NASA ha conseguido que un sistema de machine learning prediga inundaciones repentinas con un 93 % de acierto en apenas 15 minutos. El avance, fruto de la colaboración entre el JPL, la Universidad de California en San Diego y la NOAA, promete transformar los sistemas de alerta temprana en Estados Unidos.
Un guardián que aprende de tres décadas de datos satelitales
El corazón del sistema, bautizado como TACLS (Transient Artifact and Continuous Learning System), se alimenta de más de 30 años de registros de la red GNSS, los satélites que sustentan la navegación GPS. Su modelo de aprendizaje automático detecta aumentos anómalos de humedad atmosférica —el ingrediente clave de cualquier inundación repentina— y los clasifica en tiempo casi real.
Según la documentación publicada por la NASA, en simulaciones con episodios reales entre 2017 y 2023, TACLS capturó el 93 % de las alertas por inundación que la NOAA había emitido. Una cifra que, según el investigador principal Yehuda Bock, no es fruto del azar. “Lo que queríamos era dar a los meteorólogos una herramienta que acelere la toma de decisiones”, explica Bock, investigador distinguido del Instituto Scripps de Oceanografía.
El sistema no sustituye al humano: lo asiste. Primero peina los datos en busca de transient —eventos meteorológicos reales— y los separa de falsas alarmas. Después, una interfaz visual llamada MGViz, muestra las zonas de riesgo para que un analista decida si eleva la alerta.
El modelo de anomalías que entrena TACLS es capaz de distinguir entre una falsa alarma —un artifact del instrumento— y un transient real. Para lograrlo, el equipo de Bock ha empleado más de 30 años de datos históricos de satélites GNSS, enseñando al sistema a reconocer patrones asociados a lluvias torrenciales, ríos atmosféricos o ciclones tropicales. Cada vez que el software identifica un aumento brusco y sostenido de humedad, lo clasifica y lo envía al visualizador.
Cuando el retardo de una señal de GPS se convierte en pronóstico
La lógica es física: el vapor de agua en la troposfera ralentiza las ondas de los satélites GNSS. Ese retardo, medido con precisión, revela la cantidad de humedad acumulada sobre un punto. TACLS cruza esos datos con un detector de anomalías entrenado con series históricas. Si el aumento es brusco y persistente, el software lo marca.
Tras ese primer filtro, el módulo de visualización MGViz —desarrollado a partir del mismo sistema que cartografió Marte para los rovers— dibuja las zonas de mayor peligro en una pantalla que los meteorólogos leen en segundos.
El resultado llega en cuestión de minutos. La semana de Navidad de 2025, en una prueba con datos retrospectivos, el sistema dibujó un mapa de probabilidades de inundación que coincidía casi a la perfección con las alertas del Servicio Meteorológico Nacional. Las zonas de mayor riesgo aparecían en rojo sobre un área que los modelos tradicionales hubieran tardado horas en procesar.
Esa velocidad no es trivial. Las inundaciones repentinas matan cada año a decenas de personas en zonas urbanas de Estados Unidos, y los meteorólogos suelen tener apenas minutos para reaccionar. TACLS acorta la brecha entre el dato bruto y la decisión.
Mucho más que un algoritmo: el factor humano sigue mandando
Aquí conviene una pausa. TACLS no emite alertas por su cuenta. Su visualizador, heredero de herramientas cartográficas diseñadas para los rovers marcianos, pinta en pantalla la probabilidad de inundación y deja el juicio final al profesional.
La velocidad no vale nada si el meteorólogo no entiende por qué el sistema ve peligro donde otros modelos callan.
Hasta ahora, los pronósticos de inundación instantánea dependían de modelos meteorológicos de gran escala que tardan horas en actualizarse. TACLS, al trabajar directamente sobre los retardos GNSS, reduce ese tiempo a minutos. Es un cambio de paradigma: en vez de predecir la tormenta, mide la humedad que ya está aquí.
Los meteorólogos del NWS ya están integrando el sistema en sus procedimientos para el sur de California. El siguiente paso, según la NASA, es liberar el código y los datos de entrenamiento para que cualquier agencia climática pueda adaptarlo a sus cuencas. El proyecto, financiado por la Oficina de Tecnología de Ciencias de la Tierra de la NASA (ESTO), se apoya en tecnologías previas del JPL, como los algoritmos DORA y TFED y el visualizador MMGIS.
La cifra del 93 % es contundente, pero tiene letra pequeña. Las simulaciones se ciñen a eventos ocurridos entre 2017 y 2023 en el territorio continental de Estados Unidos, con un clima templado y tormentas asociadas a ríos atmosféricos. No se ha probado en monzones o huracanes del Caribe. Yehuda Bock reconoce que el sistema necesita validación en tiempo real y en otras regiones antes de convertirse en un estándar global. Sin embargo, la filosofía de código abierto —todo el software y los datos de entrenamiento se liberarán— allana el camino para que cualquier servicio meteorológico lo adapte. Aun así, la dirección es clara: inteligencia artificial al servicio de la anticipación, no del sensacionalismo.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: un sistema de machine learning (TACLS) que predice inundaciones repentinas con un 93 % de acierto y en solo 15 minutos.
- Dónde: Estados Unidos; se implementará primero en el sur de California.
- Institución responsable: NASA (JPL), UC San Diego, NOAA National Weather Service.
- Cuándo: los resultados de las simulaciones (2017–2023) se presentan ahora; la integración operativa está en marcha en 2026.
- Impacto a futuro: podría convertirse en un estándar global de alerta temprana, salvando vidas con minutos de ventaja.
