El informe «Aprovechamiento de la IA para mejorar los sistemas de alerta temprana multirriesgo» analiza el uso de la inteligencia artificial en los sistemas de alerta temprana (SAT). El informe, elaborado por la iniciativa Alertas Tempranas para Todos (EW4All) , demuestra el potencial de la IA para abordar las deficiencias existentes en los SAT y para hacer que los sistemas sean más eficaces, resilientes e inclusivos.
El informe se basa en el trabajo del Grupo IA para EW4All y permite a los responsables políticos, socios humanitarios y líderes locales aprovechar las tecnologías emergentes para proteger vidas y medios de subsistencia. Además de destacar soluciones y proyectos piloto concretos, el informe subraya que la IA no es una solución aislada, sino que requiere una infraestructura sólida, alianzas y un enfoque responsable y centrado en las personas.
Cómo la IA respalda los sistemas de alerta temprana
La IA está fortaleciendo todo el ciclo de valor de alerta temprana al (1) mejorar el conocimiento del riesgo de desastres, (2) mejorar la detección y el pronóstico de peligros, (3) permitir una difusión de alertas más específica e inclusiva y (4) apoyar la preparación y la acción anticipatoria.
En todas estas etapas, la IA procesa conjuntos de datos amplios y diversos para mejorar las evaluaciones de riesgo, ofrece pronósticos más rápidos y precisos, adapta los mensajes de alerta a diferentes poblaciones y optimiza la toma de decisiones para una actuación temprana. Para lograr estos beneficios, es fundamental contar con datos de alta calidad, sistemas interoperables, una gobernanza sólida, transparencia y supervisión humana para abordar sesgos, lagunas de datos, conectividad limitada e incertidumbre.
Por lo tanto, las futuras inversiones deberían priorizar soluciones de IA integrales, centradas en la comunidad y desplegadas éticamente, que conecten todo el ciclo de valor de la alerta temprana .
Casos de estudio destacados
Fortalecimiento del conocimiento sobre el riesgo de desastres en la isla Tongatapu de Tonga: La escasez de datos sobre edificios, manglares y otros activos críticos ha limitado la evaluación de riesgos y la preparación. El uso de herramientas basadas en IA, incluido un modelo de IA preentrenado para mapear y contabilizar activos críticos, como edificios y cocoteros, ha generado un análisis de escenarios y una simulación realista de inundaciones para obtener información sobre activos vulnerables, lo que permite a las autoridades mejorar significativamente la planificación de evacuaciones locales.
Las imágenes superiores muestran el gemelo digital de Tongatapu, simulado mediante inteligencia artificial, que permite recrear escenarios de aumento del nivel del mar e inundaciones con un intervalo de cuatro minutos.
Avances en la predicción y detección de peligros durante el huracán Melissa: Para mejorar las predicciones de trayectoria e intensidad de los ciclones tropicales, el Centro Nacional de Huracanes de Estados Unidos ha examinado la guía experimental basada en aprendizaje automático (ML) junto con los modelos dinámicos convencionales. Un sistema experimental de predicción de ciclones tropicales basado en ML, desarrollado por Google, genera predicciones probabilísticas de la trayectoria e intensidad de la tormenta mediante la producción de hasta 50 escenarios de predicción de conjunto. Los debates sobre las predicciones y los análisis posteriores indicaron que una gran parte de los miembros del conjunto de Google proyectaron que el huracán Melissa, en octubre de 2025, podría intensificarse hasta la categoría 5, lo que resalta la posibilidad de una intensificación extrema y proporciona orientación probabilística adicional sobre la evolución de la tormenta.
Mejorando la difusión y comunicación de alertas en Liberia: En el marco del Grupo de IA para Alerta Temprana para Todos (EW4All) , la UIT, en colaboración con Microsoft, el IHME y Planet Labs, desarrolló el Mapa de Conectividad de Alerta Temprana ( EWCM ) para identificar zonas con escasa conectividad donde la población carece del acceso a la red necesario para recibir notificaciones de emergencia. Integrando un conjunto de datos de población con una resolución de 100 metros generado mediante IA, la herramienta se implementó en Liberia. Al combinar los datos de la UIT con los detalles de las estaciones base proporcionados por la Autoridad de Telecomunicaciones de Liberia y los operadores móviles, el sistema generó mapas precisos que muestran dónde la población tenía cobertura de redes celulares. Esta información se combinó con mapas de zonas propensas a inundaciones para mostrar dónde las personas en riesgo no podían ser contactadas a través de sistemas de alerta móvil.
Apoyo a la preparación y la acción anticipatoria mediante Sketch Map: A pesar del reconocimiento legal que otorga personalidad jurídica a la comunidad para proteger la cuenca del río Atrato en Colombia, las fuentes de datos siguen siendo escasas y no incorporan el conocimiento ancestral ni las prácticas tradicionales de conservación. Esta metodología de mapeo participativo digitaliza los datos comunitarios mediante mapas que se superponen con fuentes autorizadas para un análisis de conservación integrado. Utilizando la herramienta Sketch Map con inteligencia artificial integrada, las comunidades dirigen talleres donde los participantes dibujan las ubicaciones de los proyectos de conservación en mapas de papel, y la IA detecta automáticamente los bocetos para generar conjuntos de datos digitales esenciales para los procesos de consulta.
Facilitar un enfoque integral de extremo a extremo para los sistemas de alerta temprana: Algunas soluciones basadas en IA se aplican a toda la cadena de valor de la alerta temprana. El Agente de IA Multirriesgo, Alerta, Sin Brechas, Universal (MAZU) de China para alertas tempranas, desarrollado por el Servicio Meteorológico de Shanghái y la Administración Meteorológica de China, es un ejemplo de ello, que integra algoritmos avanzados y datos de múltiples fuentes, incluidos satélites, radar y modelos de IA localizados, para respaldar cada etapa del proceso de alerta temprana.
En consonancia con los cuatro pilares de EW4All, que se muestran en la imagen superior, MAZU proporciona acceso en línea a herramientas y bases de datos de evaluación de riesgos multiamenaza para el conocimiento del riesgo de desastres; herramientas flexibles de análisis de monitoreo y pronóstico para la detección y observación; informes de condiciones de desastre generados por IA para la difusión de alertas; y directrices de emergencia específicas para cada desastre y basadas en roles para la preparación y respuesta. Una arquitectura de "tres terminales" adapta esto a diferentes usuarios: una máquina todo en uno para departamentos profesionales, una tableta para sectores como puertos y transporte marítimo, y una aplicación móvil que ofrece alertas basadas en la ubicación y orientación para la evacuación directamente al público. Para mayor información siga el siguiente enlace https://www.itu.int/en/ITU-D/Emergency-Telecommunications/Pages/Publications/ai-ew4all-report.aspx