Inteligencia artificial y tecnologías emergentes de acceso público para fortalecer la geocapacidad de Puerto Rico ante eventos de aparición súbita
Los productos geoespaciales, los sistemas de monitoreo y los modelos, incluidos ejemplos que utilizan inteligencia artificial, ofrecen recursos para estudiar las amenazas naturales en Puerto Rico, especialmente las que pueden desarrollarse de manera súbita, como los deslizamientos de tierra, las inundaciones y los incendios forestales. Uno de los retos es convertir esa información en capacidad para anticipar un evento, seguir su evolución y apoyar la respuesta y la recuperación.
Aprovechar estos datos requiere que sus usuarios potenciales conozcan su existencia, tengan acceso a ellos, dispongan de programas para analizarlos y cuenten con personas preparadas para procesarlos e interpretar sus resultados y limitaciones.
Productos, datos y metodología
Figura 1. En el diagrama se resumen las herramientas y los procedimientos utilizados para cada amenaza. Las columnas agrupan inundaciones (azul), incendios (anaranjado) y deslizamientos (marrón). En el bloque superior se explica la preparación del mapa de contexto multiamenaza. El esquema ordena las herramientas en filas correspondientes a la anticipación, el monitoreo y la respuesta, y a la evaluación posevento y la recuperación. Se incluye la abreviatura IA junto a los productos o métodos que utilizan inteligencia artificial. La representación en capas o láminas permite distinguir los datos y los componentes de cada producto o análisis, acompañados de su procedencia y, cuando corresponde, de su resolución espacial y de la altura de referencia de las variables meteorológicas. En la sección "Fuente" se indica de dónde se obtuvieron los datos o los productos. El texto inferior de cada panel resume el procedimiento seguido.
Del mapa de contexto a una evaluación del riesgo
Mapa de contexto de Puerto Rico
Figura 2. En el mapa de contexto multiamenaza de Puerto Rico se integra la distribución de la susceptibilidad alta a extremadamente alta a deslizamientos por lluvias intensas 3, las áreas de peligro de inundación con probabilidades anuales de 1 % y 0.2 % 4 y las áreas de peligro de erosión costera proyectadas a 30 y 60 años, basadas en las tasas de cambio costero entre 2000 y 2016/2017 y con los horizontes del análisis original 5. La concentración de incendios se expresa como la densidad estimada de registros por km² para 1992–2024, correspondientes principalmente a incendios detectados entre 2003 y 2011 6. La concentración se estimó mediante un kernel cuártico sobre una cuadrícula de celdas de 100 × 100 m. Para cada celda se sumó la contribución de los registros ubicados hasta 6.243 km de su centro, con mayor influencia de los más cercanos 7. Esa distancia se calculó según el número de registros y su dispersión en el territorio 8. Se rotularon municipios seleccionados como referencias geográficas 9.
Este mapa reúne información de contexto sobre distintas amenazas y registros de eventos. No estima un riesgo conjunto. Para desarrollar una evaluación multirriesgo habría que integrar la probabilidad e intensidad de las amenazas con información actualizada sobre población, edificios, infraestructura y servicios expuestos, su vulnerabilidad y las capacidades locales de respuesta 63,119. También habría que considerar las relaciones entre amenazas y definir escenarios y métodos de evaluación comparables 119,120.
Preguntas para la discusión
¿Cómo podríamos mejorar el detalle de este mapa con datos de campo más completos y precisos, y qué beneficios tendría esa mejora en la práctica?
¿Cómo podrían los datos que ustedes generan en sus investigaciones, comunidades o trabajos contribuir a validar y mejorar los modelos y productos presentados?
Inundaciones
Google Flood Hub en Añasco
Figura 3. Google Flood Hub en Puerto Rico, con la cuenca del río Grande de Añasco delimitada en azul. El modelo utiliza aprendizaje automático entrenado con caudales históricos. Incorpora lluvia satelital IMERG de NASA y datos de precipitación del Centro de Predicción Climática de NOAA. También utiliza los pronósticos meteorológicos de ECMWF y de GraphCast de Google DeepMind. HydroAtlas aporta características de las cuencas. La gráfica muestra los caudales diarios modelados en m³/s y los umbrales de advertencia, de peligro y de condición extrema. La línea azul continua representa el pasado y la de puntos, el pronóstico. Los puntos verdes indican condiciones normales según la plataforma 18,19,20. El color violeta representa la frecuencia histórica de detección de agua superficial. Su fuente es GLAD, con una resolución aproximada de 30 m, y no identifica exclusivamente las inundaciones 97. El punto de Añasco está clasificado como de menor confianza y no dispone de un mapa de extensión de inundación. Google no especifica si esa clasificación se debe a datos insuficientes para evaluarlo o a un desempeño inferior a sus criterios 18,19,20. Captura del 20 de octubre de 2026 a las 18 h 53 min, hora de Puerto Rico.
National Water Dashboard y WaterAlert
Figura 4. Condiciones de caudal en estaciones del USGS en Puerto Rico, mostradas en el National Water Dashboard, y pasos generales para configurar notificaciones en WaterAlert 28,29.
Agua superficial en Lajas y Guánica
Figura 5. Agua superficial y condiciones hidrológicas en el valle de Lajas, entre los municipios de Lajas y Guánica, Puerto Rico. (A) Mapa con el área de estudio, los canales de riego y de drenaje y las estaciones del USGS. (B) Imagen satelital de Landsat 8 OLI del 15 de mayo de 2024, compuesta con las bandas de luz visible roja, verde y azul, con fusión pancromática a 15 m 109. (C) Precipitación acumulada por hora en el pluviómetro de Lago Loco y caudal del río Loco medido en la estación del USGS en el sector Las Latas, del 7 al 15 de mayo de 2024. La gráfica incluye el reporte de inundación del 7 de mayo 56. El caudal en Las Latas está influido por la represa de Lago Loco y por el agua que llega desde Lago Lucchetti 30. (D, E) Agua superficial detectada por OPERA DSWx-HLS a partir de Landsat 8, con píxeles de 30 m, el 13 de abril y el 15 de mayo de 2024 36. (F) Comparación de las áreas con agua detectada en una sola fecha (abril o mayo) o en ambas. Se pudo comparar aproximadamente el 76 % del área de estudio, donde había datos válidos en ambas fechas. En gris están las zonas con nubes, sus sombras y áreas adyacentes que OPERA excluye mediante la máscara de calidad Fmask de HLS. La clase agua abierta corresponde a píxeles completamente cubiertos por agua visible para el sensor. El agua superficial parcial corresponde a píxeles que contienen agua junto con vegetación o suelo 37. La observación de mayo es posterior al evento documentado por FEMA y no necesariamente muestra la extensión máxima de la inundación 57.
Agua superficial y caudal en Cibuco
Figura 6. Agua superficial en el valle bajo del río Cibuco durante el periodo de inundaciones de mayo de 2025. (A, B) Clasificación de NASA OPERA DSWx-S1 obtenida del radar Sentinel-1A el 24 de abril y el 6 de mayo, con píxeles de 30 m. Se distinguen agua abierta, vegetación inundada y zonas sin agua detectada 41. (C) Agua detectada en ambas fechas y en solo una de ellas, comparando únicamente celdas con clasificación válida. Las diferencias no equivalen por sí solas a inundaciones confirmadas. (D) Caudal del río Cibuco en Vega Baja registrado por la estación 50039500 30. Las líneas A y B señalan las pasadas del satélite. Se indica el desbordamiento reportado en PR-676 el 4 de mayo por manejadores de emergencias y recogido por NOAA NCEI 56. La observación del 6 de mayo es posterior a la crecida y no representa su extensión máxima. Las horas corresponden a Puerto Rico.
Crecida del río Blanco en Naguabo
Figura 7. Crecida del río Blanco en Naguabo el 26 de abril de 2025, registrada cada cinco minutos por la estación USGS 50075500. El caudal alcanzó 93.4 m³/s a las 17 h 05 min 30. La franja gris corresponde al intervalo de inundación documentado por NOAA NCEI 56 en el sector de PR-191 y PR-3, cerca de la salida 22 de PR-53. La línea discontinua indica la pasada de Sentinel-1A utilizada por NASA OPERA, alrededor de las 18 h 29 min 41. El registro USGS más próximo fue de 22.9 m³/s a las 18 h 30 min. La imagen satelital corresponde al descenso de la crecida, no a su máximo. Todas las horas son de Puerto Rico.
Incendios forestales
Inventario de incendios por municipio y año
Figura 8. Incendios registrados por municipio y año en Puerto Rico entre 1992 y 2024, según el inventario FPA-FOD 6. Cada celda muestra el número de registros cuya ubicación puntual corresponde al municipio. Se incluyen 22302 registros y se conservan las 21 exclusiones espaciales de la depuración anterior. Los espacios sin registros no demuestran ausencia de incendios. Las diferencias en la cobertura del inventario entre años deben considerarse al interpretar la distribución.
GWIS corresponde a Global Wildfire Information System, o Sistema Mundial de Información sobre Incendios Forestales. Es una iniciativa conjunta del Grupo de Observaciones de la Tierra (GEO) y Copernicus, el programa de observación de la Tierra de la Unión Europea. Forma parte de los sistemas de información sobre incendios del Servicio de Gestión de Emergencias de Copernicus, con participación del Centro Común de Investigación (JRC) de la Comisión Europea y financiación de la Unión Europea 116,117. En este trabajo se consulta su índice meteorológico de incendios (Fire Weather Index, FWI), que describe condiciones meteorológicas favorables al fuego y no utiliza inteligencia artificial para su cálculo 24.
Parguera y consulta de GWIS
Figura 9. Observaciones satelitales del incendio de Parguera en Lajas, Puerto Rico, documentado en FPA-FOD el 2 de abril de 2023, con una superficie de 215.4 ha 6. (A) Localización del registro y del área de estudio. La cruz representa el punto del inventario. (B) Imágenes de Sentinel-2A del 28 de marzo y de Sentinel-2B del 2 de abril, con bandas visibles de 10 m 33. La segunda incluye ocho anomalías térmicas detectadas por VIIRS de NOAA-20 y de Suomi NPP. Dos tienen confianza baja 31. (C) Pantalla de FIRMS con las detecciones y la imagen diaria de Sentinel-2 HLS del 2 de abril a 30 m 31,34. (D) Diferencia del índice normalizado de área quemada (dNBR), calculada por píxel con Sentinel-2A MSI de los días 28 de marzo y 17 de abril, a 20 m. Su intervalo teórico habitual es de −2 a 2 42. (E) Mes de detección inicial de la perturbación de la vegetación mediante OPERA DIST, a 30 m. En el punto del inventario, esta detección corresponde al 2 de abril, pero no establece el momento exacto de inicio del incendio 44. (F) Representaciones de AlphaEarth de 2022 y 2023 a 10 m. Los colores combinan A01, A16 y A09, tres componentes de la representación numérica que el modelo genera para resumir las condiciones de la superficie en cada píxel durante un año 46,47. La diferencia anual en grises se calculó con los 64 componentes como uno menos la similitud coseno entre las representaciones de ambos años 47,48. Los cambios de E y F no son exclusivos de incendios. (G) Pantalla del Sistema Mundial de Información sobre Incendios Forestales (Global Wildfire Information System, GWIS), en el módulo Previsión de peligro de incendios, con fecha seleccionada del 25 de octubre de 2026. Presenta el índice meteorológico de incendios (FWI), calculado con pronósticos del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF, por sus siglas en inglés), con resolución aproximada de 8 km 24. Este panel muestra condiciones meteorológicas favorables a incendios, no detecciones de fuego activo, y es un ejemplo independiente del incendio de Parguera de 2023.
Deslizamientos de tierra
Pronósticos de LHASA del 19 y 20 de octubre de 2026
Figura 10. Mapa de los pronósticos de LHASA 2.1.1 para Puerto Rico correspondientes al 19 de octubre de 2026 (A) y al 20 de octubre de 2026 (B), publicados por NASA y expresados como probabilidades diarias de deslizamientos por lluvia en celdas de aproximadamente 1 km 102. El modelo utiliza XGBoost, un método de aprendizaje automático entrenado con inventarios de deslizamientos 25. Combina lluvia previa estimada mediante observaciones de varios satélites con el producto IMERG, pronósticos de lluvia y estimaciones de humedad del suelo del sistema de modelación GEOS-FP 26. También considera la pendiente, el tipo de roca y la aceleración máxima del terreno, PGA, utilizada como indicador de precondicionamiento sísmico 27,123. Ambos paneles comparten una escala de 0 a 100 %, con tonos más oscuros para probabilidades mayores y gris para áreas sin datos de LHASA. Los puntos rojos con borde gris identifican 21 estaciones de monitoreo de deslizamientos de UPRM–USGS, cuyas ubicaciones aproximadas se estimaron a partir de mapas de localización de las estaciones 35. Estas estaciones monitorean variables como lluvia, humedad del suelo y presión del agua en el suelo para apoyar la investigación y el desarrollo de sistemas de pronóstico de deslizamientos en Puerto Rico 1.
Los días indicados son fechas nominales UTC. Cada período comienza a las 00 h UTC y finaliza a las 00 h UTC del día siguiente. Estas fechas de validez no indican por sí solas la hora de publicación del pronóstico.
Comparación de la saturación del suelo en estaciones
Figura 11. Porcentajes de saturación del suelo mostrados en derrumbes.net para 20 estaciones de monitoreo de deslizamientos, el 19 (A) y el 20 (B) de octubre de 2026. Las estaciones forman parte de la colaboración entre el Departamento de Geología de la Universidad de Puerto Rico en Mayagüez (UPRM) y el Programa de Peligros de Deslizamientos del USGS, vinculada al proyecto SLIDES-PR. Su instrumentación incluye pluviómetros, sensores de humedad y de succión del suelo, y piezómetros, utilizados para investigar las condiciones que favorecen los deslizamientos y desarrollar pronósticos 1,35. N/A indica que no hay un valor de saturación del suelo disponible para esa estación.
Detección de deslizamientos en Utuado con SALaD
Figura 12. Demostración de SALaD adaptado a Sentinel-2 para detectar deslizamientos asociados al huracán María en Utuado, Puerto Rico 49,112. (A) Área inventariada de 2.54 km². (B) Imagen Sentinel-2A utilizada por el modelo. (C) Inventario USGS de 401 polígonos que abarcan áreas de arranque, transporte y depósito de deslizamientos y flujos de detritos, sobre imagen aérea de Quantum Spatial 50,111. (D) Ejemplos de entrenamiento y zona de prueba, cuyos deslizamientos no se utilizaron para entrenar ese modelo. El rayado señala exclusiones del entrenamiento. (E) Comparación con el inventario, reuniendo cuatro pruebas en las que se entrenó con ejemplos de tres partes del área y se buscaron deslizamientos en la cuarta. (F) Polígonos agrupados según cuánto de su superficie detectó el modelo. El rayado identifica 11 polígonos analizados parcialmente, nueve con porciones sin analizar por el recorte de píxeles en el límite del área inventariada y dos con píxeles excluidos por el filtro de clasificación de Sentinel-2. Sus porcentajes consideran únicamente la parte analizada. La precisión, sensibilidad y puntuación F1 comparan las áreas detectadas con las delimitadas en el inventario.
Consulta integrada y otros recursos
Consulta de amenazas en Disaster Alert
Figura 13. Captura de Disaster Alert, la aplicación pública del Pacific Disaster Center (PDC), del 25 de octubre de 2026 a las 18 h 19 min UTC, según el reloj visible. El mapa de Puerto Rico muestra la capa Wildfire Weather Index, con su leyenda de categorías de peligro meteorológico de incendios. Esta capa representa condiciones meteorológicas favorables al fuego, no detecciones de incendios activos 121. La captura conserva la interfaz y las leyendas originales de la plataforma. No es un mapa elaborado por nosotros ni describe las condiciones actuales 58,64.
Exposición a sequía en Puerto Rico
Figura 14. Ejemplo de uso de DisasterAWARE, plataforma del Centro de Desastres del Pacífico (PDC, por sus siglas en inglés) que reúne información de distintas amenazas para apoyar la preparación y respuesta de manejadores de emergencias y organizaciones humanitarias. Disaster Alert ofrece acceso público mediante una aplicación web y una app móvil gratuita 58,64. Se presenta el informe de sequía en Puerto Rico del 22 de octubre de 2026, generado por PDC con información del Monitor de Sequía de Estados Unidos. (A) Informe original y mapa del área de exposición. (B) Población y hogares estimados en esa área. (C) Distribución de la población expuesta por edades. (D) Capital expuesto, correspondiente al valor estimado de reemplazo de edificios e infraestructura, no a pérdidas económicas. PDC calcula la exposición de población y capital mediante su modelo de impacto multiamenaza, AIM, del inglés All Hazards Impact Model61,60. La plataforma también ofrece, entre otras, capas de peligro de inundaciones repentinas y del índice meteorológico de incendios. Este último tiene una resolución aproximada de 8 km y utiliza datos del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF, por sus siglas en inglés). Representa condiciones meteorológicas para los incendios, no detecciones de incendios activos 121. En las capturas utilizadas no se visualizaron datos de deslizamientos para Puerto Rico, aunque PDC documenta la integración de LHASA de NASA 122. En PDC se aplica inteligencia artificial para organizar información de eventos y analizar patrones de riesgo y vulnerabilidad 59.
Consulta de evaluaciones posincendio
Figura 15. Visor de evaluaciones de peligro de flujos de detritos posincendio del USGS, reproducido como recurso de consulta. La imagen oficial reúne lugares evaluados entre 2013 y 2025. No corresponde a una ejecución de Wildcat para Puerto Rico. Este programa es una opción por explorar, cuya aplicación local requiere comprobar la pertinencia de sus modelos y datos de entrada 118,69.
Bases de datos y acceso a la información
Los ejemplos anteriores dependen de bases de datos organizadas. Entre ellas se encuentran inventarios de incendios y deslizamientos, series de estaciones de monitoreo y archivos de observaciones satelitales. Earthdata Search de NASA permite localizar productos de observación de la Tierra. Los portales del USGS permiten consultar mediciones de estaciones, y FIRMS facilita la consulta de actividad térmica. Estas fuentes cumplen funciones distintas y pueden complementarse. 98,30,31
Para reutilizar los datos es necesario conservar la fecha y hora de observación, ubicación, unidades, sistema de coordenadas, método de obtención y controles de calidad. Los registros de eventos, incluidos los que no fueron detectados por un modelo, también permiten evaluar sus resultados y preparar nuevos ejemplos de entrenamiento. Una base de datos actualizada facilita repetir el análisis cuando se incorporan nuevas observaciones.
Acceso a datos con NASA Earthdata Search
Figura 16. Página de inicio de Earthdata Search de NASA, una interfaz para localizar conjuntos de datos de ciencias de la Tierra mediante palabras clave y filtros temporales y espaciales. La consulta permite seleccionar productos según el lugar y el período de interés 98.
