Algoritmo imagina eventos extremos sin haber visto antes uno igual

¿Cómo se prepara una ciudad para una tormenta que todavía no ocurrió y que quizá nunca tuvo un equivalente en los registros históricos? Esa es la pregunta detrás de un nuevo método desarrollado por ingenieros del MIT, que diseñaron un algoritmo capaz de generar escenarios plausibles de eventos extremos sin necesidad de entrenarse con ejemplos previos de desastres comparables.

La idea puede sonar contraintuitiva. Muchos modelos de riesgo funcionan mirando el pasado: toman tormentas, olas de calor, lluvias o incendios ya observados y, a partir de ahí, estiman qué tan probable es que vuelva a ocurrir algo parecido. El problema es que los eventos más destructivos son raros por definición. A veces ni siquiera existen en la base de datos disponible. Eso deja a planificadores, aseguradoras y autoridades con una dificultad central: tienen que prepararse para situaciones que todavía no conocen.

El nuevo enfoque intenta llenar justamente ese vacío. En lugar de buscar copias de un desastre anterior, el algoritmo aprende la estructura estadística de un conjunto de datos cotidianos, como mapas y registros diarios del clima de una región. Con esa información descarta combinaciones implausibles y produce miles de versiones posibles de un evento extremo poco frecuente, por ejemplo una tormenta de las que podrían aparecer una vez cada cien años. Luego estima cómo podrían verse esos episodios en tamaño, intensidad, duración y área afectada.

Para mostrar que la idea funciona, el equipo la probó con 25 años de mapas horarios de precipitaciones en Estados Unidos continental. A partir de ese archivo construyó mapas diarios y estadísticas sobre la frecuencia con que la lluvia alcanzó ciertos máximos. Después entrenó el sistema con mapas de baja y alta resolución tomados solo de los primeros seis meses del registro, una etapa que contenía pocos o ningún caso realmente extremo. Aún así, el método logró generar patrones espaciales plausibles para lluvias más intensas que las presentes en los datos de entrenamiento.

Eso abre una posibilidad muy concreta: en vez de preguntar solo qué pasó antes, una autoridad podría preguntar qué aspecto tendría una tormenta excepcional en una ciudad determinada y recibir una familia de escenarios compatibles con la información disponible. Según los investigadores, esa clase de simulaciones puede ayudar a evaluar muros costeros, redes eléctricas, drenajes urbanos o recursos para combatir incendios forestales.

El aporte más interesante no es solo técnico, sino práctico. A medida que los sistemas climáticos y sociales se vuelven más vulnerables a interrupciones encadenadas, un episodio extremo puede repercutir rápidamente en energía, transporte, alimentos o seguros. Tener una manera de asignar probabilidades y formas posibles a eventos inéditos puede mejorar la preparación antes de que llegue el daño real.

Eso no significa que el algoritmo vea el futuro. Sus resultados dependen de la calidad de los datos de entrada y de los supuestos estadísticos con los que aprende qué escenarios son razonables y cuáles no. Además, una simulación plausible no equivale a una predicción puntual de fecha y lugar. Lo que ofrece es otra herramienta para pensar el riesgo cuando la historia observada ya no alcanza. En un contexto de fenómenos cada vez más severos, esa diferencia puede ser valiosa.