Problemática
En las últimas décadas, México ha enfrentado severos episodios de sequía, con impactos
negativos en los distintos sectores socioeconómicos (Conagua, 2014; Esparza, 2014;
Torres-Lima, 2015; Breña-Naranjo, 2021). Las urbes se enfrentan a reducciones recurrentes
en el agua disponible ocasionadas por las frecuentes sequías, cuyos efectos se ven
exacerbados por la gestión inadecuada del recurso hídrico y el enorme crecimiento urbano
(Pineda-Pablos & Salazar-Adams, 2016). La atención al fenómeno de las sequías en las
últimas décadas se ha basado en un enfoque reactivo y no en la gestión del riesgo
(Ortega- Gaucin & Velasco, 2013).
Definición de sequía
La sequía se inicia en su mayoría por precipitación deficiente y es considerada como un
fenómeno natural relacionado con la variabilidad climática en una región
(Tsakiris et al., 2013). Hay muchas definiciones de sequía, pero ninguna es
universalmente aceptada debido a que se trata de un fenómeno relativo cuyas
características varían de un lugar a otro. Wilhite y Glantz (1985) detectaron más de 150
definiciones de sequía publicadas en la literatura, y las clasificaron en cuatro grupos
según la disciplina científica desde la que es analizado el fenómeno y sus impactos:
sequía meteorológica, sequía agrícola, sequía hidrológica y sequía socioeconómica.
Los primeros tres enfoques o tipos de sequía (meteorológica, agrícola e hidrológica)
tratan formas de medir la sequía como un fenómeno físico; el último enfoque
(sequía socioeconómica) aborda la sequía en términos de oferta y demanda, rastreando los
efectos del déficit de agua a medida que se propaga a través de los sistemas socioeconómicos.
Riesgo por sequia
El riesgo el IPCC (2014) lo define como potencial de consecuencias en que algo de valor está
en peligro con un desenlace incierto, reconociendo la diversidad de valores. En el
contexto de las sequías, en los últimos años, la fórmula matemática más comúnmente
aceptada y utilizada es la que considera el riesgo como un producto del peligro
(representado por la probabilidad de ocurrencia de sequía con cierto grado de severidad),
la exposición y la vulnerabilidad (evaluadas mediante indicadores socioeconómicos y
ambientales) (Castellano-Bahena & Ortega-Gaucin, 2022).
Machine Learning
La Inteligencia Artificial (IA) es la ciencia de hacer que las máquinas hagan cosas que
requerirían inteligencia, el objetivo de la inteligencia artificial es crear software
computacional y/o sistemas de hardware que muestren el pensamiento similar al pensamiento
humano, en otras palabras, mostrar características usualmente asociadas a la inteligencia
humana (Campesato, 2020). El Machine Learning (ML) como término no fue propuesto por un
solo autor, sino es un término propuesto años después de la investigación con la IA.
Flach (2012) concibe el aprendizaje automático como el estudio sistemático de algoritmos y
sistemas con el fin de mejorar su conocimiento o desempeño a través de la experiencia
(Sedeño & Madera 2022). La IA en particular el ML desempeña, cada vez más, un papel
fundamental en la reducción de riesgos de desastre (RRD) (Kuglitsch et al., 2022).
Desarrollo del proyecto
Las áreas donde se desarrolló el proyecto fueron el área hidropolitana de Monterrey (AHM), y
área metropolitana de Guadalajara (AMG).incluyendo sus respectivos organismos operadores de
agua potable. En este proyecto para la evaluación del riesgo se adoptó el enfoque contextual,
que define este concepto en función de la amenaza, exposición y vulnerabilidad del sistema
analizado. Para el cálculo de amenaza se utilizó el índice de sequía de los caudales
fluviales (SDI-12), y para la evaluación de la vulnerabilidad y la exposición se emplearon
indicadores socioeconómicos, ambientales y de gestión institucional (Castellano-Bahena &
Ortega-Gaucin, 2025).
En este contexto, el uso de la IA como lo ML permite predecir escenarios de riesgo con mayor
precisión y ofrecer herramientas de apoyo a la toma de decisiones basada en datos. En este
proyecto se realizado una predicción de los índices de riesgo por sequía urbana,
se aplicaron y evaluaron diez técnicas de ML: Linear Regression (LR), Ridge Regression (RR),
ElasticNet Regression (EN), Decision Tree Regressor (DTR), Support Vector Regressor (SVR),
Random Forest Regressor (RFR), Gradient Boosting Regressor (GBR), Extreme Gradient Boosting Regressor (XGBR),
K-Nearest Neighbors Regressor (KNN) y Least Absolute Shrinkage and Selection Operator (Lasso).
Las métricas utilizadas para evaluar el rendimiento de los modelos fueron el error cuadrático medio (RMSE),
el error absoluto medio (MAE) y el coeficiente de determinación (R²) con el objetivo de determinar la técnica
de ML más adecuada para el propósito en cuestión, además se realizó la Interpretación de
modelos de Machine Learning utilizando SHapley Additive exPlanations (SHAPE) y Local
Interpretable Model-agnostic Explanations (Lime), estas dos técnicas permitieron
identificar cómo las variables climáticas y otras características influyen en las
predicciones.
2025 Heidy Castellano Todos los derechos reservados
La información proporcionada en este sitio web es sin fines de lucro. Todo el contenido y los materiales son solo para fines informativos generales.
