Si alguna vez observaste el cielo momentos previos a que se desatara una tormenta, posiblemente hayas sido testigo de la formación de una nube de convección profunda o también conocidas como Cumulonimbus. Estas majestuosas nubes se caracterizan por su gran tamaño y desarrollo vertical, con una cima aplanada la cual recuerda la forma de un yunque y debido a su gran contenido de agua, estas pueden llegar a bloquear la luz del sol presentando una base obscura, dándole al cielo su peculiar color gris durante estos eventos.
Las nubes de tormenta se generan a partir de un proceso de convección profunda, donde una masa de aire cálido y húmedo asciende de manera intensa a través de la atmósfera en forma de espiral rotatoria. Aunque existen diferentes mecanismos de formación de estas nubes, como el borde de un frente frío, el choque con otras masas de aire (convergencia en superficie) o con una cadena montañosa (levantamiento orográfico), estas se caracterizan por dos cosas, la rapidez con la que pueden llegar a formarse y el estar asociadas con condiciones meteorológicas extremas, como tormentas eléctricas, lluvias intensas, caída de granizo, fuertes vientos y, en algunos casos, tornados. Simplemente, durante 2020 se estima que la presencia de tormentas causó la muerte de más de 1,700 personas en todo el mundo.
Por su parte, México tiene un alto grado de vulnerabilidad ante eventos hidrometeorológicos extremos, debido a su complejo relieve, su posición geográfica, estar rodeado de océanos, pero especialmente por sus condiciones socio-económicas. Recientes inclemencias meteorológicas a lo largo del país han puesto de manifiesto la importancia de comprender y abordar los eventos de convección profunda, así como los fenómenos atmosféricos que pueden desencadenar condiciones climáticas extremas y representar riesgos significativos para la sociedad.
En este contexto, en el Laboratorio de Geomática y Modelación Numérica de la División de Geociencias Aplicadas del IPICYT, estamos trabajando en el desarrollo de un sistema de monitoreo y alerta temprana de inundaciones asociadas a la presencia de nubes de tormenta, bajo tres principios clave, 1) el uso de productos de acceso libre y software de código abierto, lo cual permite que la implementación de este sistema sea asequible, 2) que sea automático, desde su diseño, se ha planteado que este sistema sea autónomo y pueda emitir alertas en tiempo real y, 3) que sea escalable para cualquier zona de México.
Esta metodología se basa en el uso de modelos de Inteligencia Artificial, estos, al ser entrenados con eventos de referencia, aprenden patrones con los que pueden hacer predicciones con datos nuevos. Para alimentar estos modelos, se utilizan datos satelitales de una red de satélites llamados GOES-R operada por la Administración Nacional Oceánica y Atmosférica (NOAA) de los Estados Unidos y diseñada para proporcionar observaciones meteorológicas continuas desde la órbita geoestacionaria, esto último significa que los satélites se mueven de acuerdo al periodo de rotación de la tierra, lo cual les permite registrar el mismo punto siempre. Los satélites GOES-R tienen la capacidad de monitorear fenómenos meteorológicos en tiempo real (cada 5 minutos para México), lo que incluye observaciones de nubes, mapeo de rayos, incendios forestales, actividad solar y otros eventos climáticos.
Actualmente, se ha probado esta metodología de forma exitosa en Los Mochis, Sinaloa y la Ciudad de México (CDMX), en las siguientes etapas de este proyecto se abordará la integración de este sistema de detección de nubes de tormenta con datos de la red estaciones climáticas de México y con un modelo hidrológico para la generación de mapas de potencial riesgo ante inundaciones con un periodo de actualización cada 5 minutos.
Con esta investigación buscamos prevenir y mitigar los riesgos asociados con eventos de tormenta al proporcionar información oportuna y precisa a tomadores de decisión y potenciales personas afectadas, además de mejorar nuestro entendimiento sobre la formación y evolución de este tipo de fenómenos en nuestro país.
