Modelar eventos extremos sin depender de datos extremos previos

Por qué importan los eventos extremos

Ciudades costeras, redes eléctricas y servicios de emergencia enfrentan preguntas cada vez más urgentes: ¿resistirá el muro de contención frente a una tormenta histórica? ¿aguantará la red eléctrica ante una ola de calor sin precedentes? ¿podrán los recursos de extinción contener un incendio forestal masivo? Responder requiere no sólo conocer fenómenos pasados, sino imaginar cómo podrían manifestarse eventos más severos que aún no han ocurrido.

El problema central es que los eventos extremos son, por definición, atípicos y poco frecuentes. Eso complica a los métodos tradicionales, que suelen aprender de registros históricos para estimar escenarios futuros. Si en las series de datos faltan ejemplos realmente catastróficos, ¿cómo generar escenarios plausibles de peor caso?

La propuesta de MIT: η-learning (Extreme Event Aware)

Un grupo de ingenieros del MIT presentó una solución denominada “Extreme Event Aware” o η-learning, publicada en Nature Communications el 20 de agosto. La innovación clave es que el algoritmo puede generar eventos extremos plausibles sin haber visto previamente ejemplos equivalentes en los datos de entrenamiento.

Kai Chang, estudiante de posgrado en ingeniería mecánica y afiliado al MIT Center for Computational Science and Engineering, y Themis Sapsis, profesor en ingeniería mecánica y oceanográfica e investigador del mismo centro, lideran el trabajo. Su objetivo es responder preguntas del tipo: ¿cómo sería el equivalente a un “Katrina” que ocurre con frecuencia centenaria —qué forma tomaría y qué áreas impactaría— para ayudar a planificadores y autoridades a prepararse?

Cómo funciona, en términos simples

En lugar de depender únicamente de ejemplos históricos de catástrofes, η-learning aprende dos tipos de información complementaria:

• Estadísticas puntuales (point statistics): describe la frecuencia con que una variable extrema —por ejemplo, la máxima precipitación en un mapa— alcanza distintos niveles.
• Patrones espaciales: relaciones entre mapas de baja resolución y mapas detallados de alta resolución que muestran cómo se distribuye un fenómeno en el territorio.

Combinando estas dos fuentes, el algoritmo puede descartar escenarios físicamente implausibles y producir mapas coherentes de eventos mucho más extremos que los observados en el conjunto de entrenamiento. En palabras de los autores, la técnica impone restricciones estadísticas sobre la magnitud de los extremos mientras genera estructuras espaciales plausibles.

Demostración con lluvias extremas en Estados Unidos

Para validar su método, el equipo trabajó con 25 años de mapas horarios de precipitación, agregados en mapas diarios. A partir de ese registro calcularon las estadísticas puntuales sobre cuán frecuentes son distintos niveles máximos de lluvia. Para aprender la relación entre regiones suavizadas y mapas detallados, entrenaron el modelo con pares de mapas de baja y alta resolución provenientes apenas de los primeros seis meses del registro, una porción que contenía pocos o ningún caso extremo.

Con esa información, η-learning puede generar mapas de precipitación para eventos mucho más severos que los contenidos en el conjunto de entrenamiento —por ejemplo, un episodio con una máxima de lluvia que exceda registros anteriores— y describir dónde, con qué intensidad y por cuánto tiempo podría manifestarse.

Utilidad práctica para tomadores de decisión

La capacidad de producir mapas de “peor escenario plausible” tiene aplicaciones directas en planificación urbana, gestión de infraestructura y aseguradoras. En lugar de confiar sólo en las extremas observadas en el pasado, las autoridades pueden explorar cómo serían tormentas, olas de calor o incendios que excedan registros locales y preparar medidas de mitigación más robustas: refuerzo de defensas costeras, reediseño de redes de drenaje, planes de contingencia para distribución eléctrica y preparación de brigadas contra incendios.

Para la región latinoamericana, donde conviven áreas costeras vulnerables, selvas susceptibles a incendios y sistemas urbanos con infraestructura heterogénea, disponer de escenarios extremos plausibles permite priorizar inversiones y diseñar políticas adaptadas a riesgos transformados por el cambio climático.

Más allá del clima: aplicaciones en finanzas y robótica

Los autores señalan que la metodología no se limita a fenómenos meteorológicos. Cualquier dominio donde ocurran eventos raros pero críticos —como caídas bursátiles, rupturas sistémicas en cadenas de suministro o fallas en la navegación autónoma— podría beneficiarse de un enfoque que genere escenarios extremos coherentes sin ejemplos históricos equivalentes. Chang menciona explícitamente que los choques del mercado, por su complejidad y multicausalidad, son un terreno donde esta técnica podría explorar interacciones que conducen a colapsos.

Limitaciones y consideraciones

Aunque prometedora, la técnica no elimina la necesidad de juicio experto ni de modelos físicos cuando sean apropiados. η-learning genera escenarios plausibles bajo las restricciones estadísticas aprendidas, pero la validez práctica de esos escenarios depende de la calidad y representatividad de los datos disponibles (por ejemplo, buenas observaciones, resoluciones adecuadas y registros temporales suficientes).

Además, la transferencia de resultados a contextos locales exige evaluación: un escenario plausible a escala continental puede no reflejar dinámicas locales complejas sin datos de entrada lo bastante detallados. Por ello, la integración con modelos físicos, sensores locales y la experiencia de planificadores sigue siendo importante.

Qué sigue para implementarlo en la práctica

La técnica abre la puerta a herramientas de apoyo a la toma de decisiones que permitan generar y visualizar mapas de riesgo extremo en formatos directamente útiles para agencias municipales, operadores de infraestructura y aseguradoras. En América Latina, instituciones académicas y gubernamentales podrían colaborar para adaptar el enfoque a bases de datos locales —por ejemplo, precipitación, temperatura, incendios y redes eléctricas— y desarrollar escenarios de riesgo que sirvan a políticas públicas y a la gestión del presupuesto destinado a adaptación.

Conclusión

η-learning representa un avance metodológico relevante: permite imaginar y cuantificar eventos extremos plausibles sin depender exclusivamente de eventos extremos pasados. Para tomadores de decisión en gobiernos, empresas y seguridad civil en Latinoamérica, esto significa contar con escenarios más variados y realistas para planificar ante incertidumbres crecientes. Combinado con vigilancia, modelos físicos y gobernanza del riesgo, el enfoque puede mejorar la resiliencia frente a fenómenos que, aunque raros, tienen consecuencias potencialmente catastróficas.