Predicción del Nivel del Río Paraná: Inteligencia Artificial para la Gestión del Riesgo Hídrico
Proyecto Final de Gabriel Alfredo Regali
Diplomatura en Python orientado a Científico de Datos
El Río Paraná es el segundo curso de agua más largo de Sudamérica, después del Amazonas. Atraviesa Brasil, Paraguay y Argentina hasta desembocar en el Río de la Plata, conformando la vasta Cuenca del Paraná, una región que impacta directamente en la economía, la agricultura y la vida cotidiana de miles de personas.
Las variaciones del nivel del río están fuertemente influenciadas por el fenómeno ENOS (El Niño – Oscilación del Sur), un evento climático de gran escala que altera las precipitaciones en ciclos de entre 2 y 7 años. Durante El Niño se registran lluvias abundantes, mientras que La Niña produce sequías severas.
Frente a este contexto, surge la necesidad de desarrollar modelos predictivos confiables que permitan anticipar crecidas o bajantes con suficiente antelación para tomar decisiones estratégicas.
Un modelo de predicción basado en redes neuronales
El proyecto de Predicción del Nivel del Río Paraná, desarrollado por Gabriel Alfredo, aplica técnicas de machine learning y redes neuronales del tipo LSTM (Long Short-Term Memory) para estimar los niveles del río en el tramo comprendido entre Baradero y San Pedro, utilizando datos históricos de precipitaciones y caudales de la cuenca.
🧩 Fuentes de datos y análisis exploratorio
El dataset fue elaborado a partir de fuentes oficiales como:
- El Servicio Meteorológico de Brasil
- El Instituto Nacional del Agua (INA)
- El Servicio Hídrico de Argentina
- La web de la Cuenca del Río Pilcomayo
Tras un exhaustivo análisis, se seleccionaron más de 18.600 registros provenientes de distintas estaciones meteorológicas ubicadas a lo largo de la cuenca, desde Misiones hasta Buenos Aires.
Las correlaciones entre las precipitaciones del norte (Brasil y Paraguay) y el nivel del río en Baradero mostraron que los efectos de las lluvias pueden tardar entre 35 y 45 días en propagarse aguas abajo, información clave para el entrenamiento del modelo.
Entrenamiento y resultados del modelo LSTM
Inicialmente se probó con Random Forest, pero se descartó al no ofrecer buenos resultados para predicción a futuro.
Luego se implementó una red neuronal LSTM con tres capas y una ventana temporal de tres días, utilizando las librerías TensorFlow y Keras.
El modelo fue ajustado con el optimizador RMSprop, normalización de datos y técnicas de dropout para evitar sobreajuste.
Los resultados fueron muy prometedores:
- Error medio absoluto: entre 5 y 8 cm
- Predicciones exitosas a 6 y 9 días
- Error máximo observado: 20 cm en pruebas con datos no conocidos
Gracias al uso de un promedio móvil simple, se logró suavizar los picos y obtener una tendencia casi exacta del nivel del río.
Comparación con otros modelos globales
El modelo fue comparado con el sistema Flood Forecast (Google Flood Hub), que predice inundaciones en India y Sudamérica a 5 días, pero sin una métrica de error explícita.
El modelo de Gabriel no solo ofrece una predicción más prolongada (6 a 9 días), sino también una medición cuantitativa del error, lo que mejora su confiabilidad científica.
Además, supera el modelo hidrológico aplicado al Río Ebro (España), que alcanza 37 cm de error a 24 horas y más de medio metro a 72 horas.
Impacto económico y social
El desarrollo de un sistema de Predicción del Nivel del Río Paraná tiene un enorme valor para la región.
En las islas de Baradero, donde hay más de 30.000 cabezas de ganado, una crecida no anticipada puede representar pérdidas superiores a 18 millones de dólares.
Una alerta temprana de seis días permite planificar evacuaciones, proteger la producción ganadera y evitar daños estructurales en viviendas, escuelas y clubes ribereños como el histórico Club Regatas Baradero, afectado en inundaciones previas.
Conclusiones
El modelo propuesto demuestra que, mediante técnicas de inteligencia artificial y análisis de datos hidrometeorológicos, es posible desarrollar una herramienta de alerta temprana precisa y accesible, con impacto directo en la mitigación de riesgos ambientales y económicos.
La Predicción del Nivel del Río Paraná no solo representa un avance tecnológico, sino también un compromiso con la sostenibilidad, la seguridad y la ciencia aplicada al servicio de la comunidad.
LinkedIn de Gabriel Regali: https://www.linkedin.com/in/gabriel-alfredo-regali-6bb7781b/
