Modelo hidrológico híbrido: física y aprendizaje automático

Un modelo hidrológico híbrido hace algo que ni un modelo de pura física ni una red neuronal pura pueden hacer: conserva las leyes y aprende los números. Chaopeng Shen, profesor de ingeniería civil y ambiental en Penn State, dirigió el desarrollo de un modelo global del agua publicado en Nature Communications que incrusta redes neuronales dentro de las ecuaciones físicas del ciclo del agua. Corre a 36 kilómetros cuadrados por celda a nivel global, y a 6 kilómetros cuadrados donde los datos de base lo permiten. La frase de Shen sobre por qué el híbrido es necesario es la más clara de toda la historia: “Las redes neuronales son excelentes aprendiendo de grandes conjuntos de datos y llenando huecos dentro de datos familiares, pero tienen problemas para predecir más allá de ese rango”.

Puntos clave

• La técnica se llama programación diferenciable: escribir la física como código que un optimizador por gradientes pueda entrenar, y dejar que redes neuronales entreguen los parámetros que la física necesita.
• Lo que sigue siendo física: lluvia, infiltración en el suelo, recarga de agua subterránea, enrutamiento del caudal, evapotranspiración. Lo que se vuelve aprendido: los parámetros que controlan qué tan rápido pasa cada cosa en cada lugar.
• Resolución: 36 km² a nivel global, 6 km² donde hay datos. Los dos números son tamaños de celda, y la diferencia entre ellos es una historia de disponibilidad de datos, no de algoritmos.
• Financiado por la National Science Foundation, la NOAA, el Departamento de Energía y la NASA. Publicado en Nature Communications.
• Lo que el modelo actual no incluye: calidad del agua, nutrientes ni mapeo tridimensional del agua subterránea. Están listados como trabajo futuro.

Por qué la física pura y la IA pura se quedan cortas

Un modelo hidrológico basado en física codifica lo que sabemos: el agua corre cuesta abajo, el suelo absorbe a una tasa que depende de su textura y su saturación, las plantas transpiran en proporción a la energía y la humedad disponibles. Esas ecuaciones generalizan. Aplícalas a una cuenca que nadie midió nunca y siguen produciendo respuestas físicamente sensatas.

El problema son los parámetros. Cada ecuación necesita números: qué tan permeable es este suelo, qué tan profunda es la zona de raíces, cuánto tiempo permanece el agua en el acuífero. Esos números varían enormemente en el planeta y en su mayoría no están medidos. Tradicionalmente, los hidrólogos los calibran cuenca por cuenca, a mano, contra registros de estaciones. Eso no escala al mundo entero.

Una red neuronal pura invierte el problema. Dale pares de lluvia y caudal y aprende el mapeo de forma brillante, sin que nadie tenga que especificar la permeabilidad del suelo. Pero no tiene leyes dentro. Pregúntale por un año más lluvioso que cualquiera de su entrenamiento, o por una cuenca después de que un incendio cambió la superficie, y puede producir salidas físicamente imposibles. La frase de Shen nombra eso con precisión: la extrapolación es donde las redes neuronales fallan.

El híbrido toma la mitad que funciona de cada uno.

Cómo funciona de verdad el modelo hidrológico híbrido

Qué significa programación diferenciable. Un código común calcula una salida a partir de una entrada. Un código diferenciable hace eso y además puede reportar cómo cambiaría la salida si cualquier número interno cambiara un poquito. Con esa derivada en mano, el descenso por gradiente, el mismo procedimiento de optimización que entrena redes neuronales, puede ajustar los números internos para que las salidas coincidan con las observaciones. Escribe la física del ciclo del agua en un marco diferenciable y la física se vuelve entrenable.

Qué hacen las redes neuronales. No predicen el caudal directamente. Predicen parámetros. Dadas las características de un lugar (clima, pendiente del terreno, mapas de suelo, tipo de vegetación), una red neuronal entrega los valores que las ecuaciones físicas necesitan en esa celda: capacidad de infiltración, coeficientes de almacenamiento, velocidades de enrutamiento. Después corre la física y produce el caudal.

Por qué importa ese orden. Porque la salida queda restringida por leyes de conservación. El agua que entra a una celda tiene que salir, almacenarse o evaporarse; la física lo impone sin importar qué parámetros proponga la red. Como lo resume Penn State, la IA aprende los parámetros que controlan estos procesos y compensa componentes faltantes, “mientras la física garantiza comportamiento realista en regiones con pocos datos”. Ese es todo el argumento de diseño.

Cómo también llena huecos. El mismo marco permite que las redes neuronales agreguen términos de corrección para procesos que el modelo físico omite, y así el sistema maneja la realidad de que ningún conjunto de ecuaciones captura todo.

Qué acertó. Un único modelo global a 36 km² de resolución, entrenado de punta a punta, que se comporta físicamente en regiones sin datos de calibración. Lograr eso a escala global, con una parametrización consistente en vez de miles de cuencas ajustadas a mano, es el logro.

Qué no hace. Penn State es explícito: el modelo actual no incluye calidad del agua, nutrientes ni mapeo 3D del agua subterránea. La escasez de datos en algunas regiones sigue siendo una restricción incluso con este diseño. Y la cobertura publicada no da comparaciones de precisión cabeza a cabeza contra modelos operativos existentes, así que “mejor” hay que leerlo como “mejor preparado para generalizar globalmente”, no como una victoria en un banco de pruebas.

La analogía: una receta con cantidades ajustables

Piensa en una receta de pan como la física: mezcla harina, agua, levadura, sal; deja levar; hornea. Los pasos no cambian. Lo que cambia son las cantidades, y las correctas dependen de tu harina, la humedad de tu cocina, tu horno.

Un modelo de física pura es alguien que insiste en las mismas cantidades en todas partes y saca un pan denso en Bogotá. Un modelo de red neuronal pura es alguien que memorizó diez mil fotos de panes terminados y puede predecir cómo se verá un pan, pero nunca aprendió que la levadura produce gas, así que ante una harina nueva podría predecir un pan que no podría existir físicamente.

El híbrido mantiene fijos los pasos de la receta y aprende las cantidades a partir de las condiciones locales. Que es lo que hace un panadero con experiencia.

Física, aprendizaje automático e híbrido, comparados

	Modelo de física pura	Aprendizaje automático puro	Híbrido (diferenciable)
Qué trae incorporado	Conservación de masa y energía, ecuaciones de flujo	Nada; la estructura se aprende	Ecuaciones físicas con parámetros aprendidos
¿Necesita calibración local?	Sí, cuenca por cuenca, a mano	Sí, necesita datos locales de entrenamiento	No, los parámetros se predicen de rasgos del lugar
Comportamiento fuera del rango entrenado	Físicamente sensato	Puede ser físicamente imposible	Restringido por la física
¿Maneja cuencas sin medición?	Sí, pero los parámetros son suposiciones	Mal	Es el objetivo del diseño
Interpretabilidad	Alta; cada término significa algo	Baja	Media; los términos físicos siguen legibles
Escalabilidad global	Limitada por la calibración manual	Limitada por cobertura de datos	36 km² demostrados globalmente
Procesos faltantes	Hay que agregar ecuaciones nuevas	Se absorben en el ajuste, invisiblemente	Términos neuronales de corrección, explícitos

La fila de interpretabilidad importa más de lo que parece. Cuando un hidrólogo quiere saber por qué el modelo predice una inundación, un híbrido todavía puede mostrar qué término físico domina. Una red pura no.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: la esponja y la bandeja

Pon una esponja seca en una bandeja y échale despacio una taza medida de agua. ¿Cuánta se absorbe? Ahora escúrrela, mójala un poco y vuelve a echar. Se absorbe menos y escurre más. Esa es la capacidad de infiltración cambiando con la saturación, y es la razón por la que la segunda tormenta de la semana inunda cuando la primera no. La regla (“el suelo mojado absorbe menos”) es la física; cuánto menos depende de la esponja, y eso es el parámetro.

De 9 a 12 años: misma regla, números distintos

Usa tres materiales distintos (arena, tierra, gravilla) en vasos idénticos con agujeros en el fondo. Echa la misma cantidad de agua en cada uno y toma el tiempo que tarda en drenar. La misma ley física en los tres. Números tremendamente distintos. Que tu hijo anote los tres tiempos y los etiquete como “parámetros”. Después pregúntale: si te doy un cuarto vaso y solo te digo que es “arcilla fina y compactada”, ¿podrías adivinar su número? Esa adivinanza es lo que hace la red neuronal.

De 13 en adelante: ajustar un parámetro a mano

Convierte el experimento del drenaje en algo cuantitativo. Hazle un agujero a una botella, llénala y registren la altura del agua cada 15 segundos. La física dice que la tasa de drenaje escala con la raíz cuadrada de la altura (ley de Torricelli). Que tu hijo grafique altura contra tiempo y después encuentre la constante única que hace coincidir la ecuación con sus datos. Acaba de calibrar a mano un parámetro dentro de una ley física, que es exactamente lo que la programación diferenciable automatiza a escala planetaria. Para crédito extra, comparen con un hidrograma real de los datos de agua del USGS.

La pregunta que debes hacer: “¿Qué parte del modelo debería poder cambiar la computadora, y qué parte no debería poder romper nunca?”

¿Y en América Latina?

Esta es exactamente la clase de modelo que la región necesita, y por una razón estructural: la calibración cuenca por cuenca a mano depende de tener registros largos de estaciones, y grandes partes del Amazonas, el Chaco, el altiplano andino y el nordeste brasileño no los tienen. Un modelo cuyos parámetros se predicen a partir de rasgos del lugar (pendiente, suelo, clima, vegetación) puede correr donde nunca hubo un hidrólogo calibrando.

La limitación también es regional. A 36 km² por celda, una cuenca andina estrecha con 2.000 metros de desnivel queda dentro de una sola celda, y ahí se pierde exactamente la variación que produce las crecidas repentinas. Los 6 km² requieren datos de suelo y terreno que en muchos países existen solo en zonas agrícolas de alto valor. Esa brecha es una lista de tareas de infraestructura, no un problema de IA. Vale conectarlo con lo educativo: ciencias fue el único dominio que se mantuvo o mejoró en PISA 2025 en Colombia y México, según Infobae, y la hidrología es una de las carreras donde ese interés se traduce directo en trabajo.

Qué hacer en casa

Usar la esponja antes de cualquier explicación

La humedad previa del suelo es el factor más subestimado de las inundaciones, y se demuestra con una esponja. Los niños que internalizan “el suelo ya estaba lleno” entienden los pronósticos de crecida mucho mejor que los que solo siguen milímetros de lluvia.

Nombrar la distinción entre estructura y parámetro

“La regla se queda; los números cambian” es una idea de ingeniería genuinamente transferible. Aplica a modelos de circuitos, dosis de medicamentos, balance de videojuegos y al aprendizaje automático en general.

Contrastar con el enfoque de pura transferencia

El resultado del modelo fundacional de UT Austin ataca el mismo problema, pronosticar donde no hay datos, con la estrategia opuesta: sin física, todo patrones aprendidos. Leer los dos hace más claro cada uno, y el hecho de que investigadores serios persigan ambos es una buena lección de cómo avanza la ciencia de verdad.

Construir cosas con agua

Si a tu hijo le engancha el tema, los proyectos de hidráulica con agua y presión convierten esto en algo que se hace con las manos, y la ingeniería del agua con represas y filtración muestra por qué las represas rompen los pronósticos basados solo en patrones.

Lo que no debes hacer

No describas esto como “la IA predice inundaciones”. Es la física la que predice inundaciones, con la IA aportando las constantes. Esa distinción es la razón entera por la que se le puede confiar al modelo en lugares donde nunca se calibró, y aplanarla tira a la basura la parte más interesante del diseño.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede explicar por qué la misma lluvia inunda una semana y no la siguiente, usando la esponja.
• Mes 2, señales de alerta: describe todo el modelado como “la IA lo resuelve”. Pregúntale qué parte es una ley y qué parte es un número aprendido. Si no puede separarlos en este ejemplo, el concepto no aterrizó.
• Mes 3, autoevaluación: pregúntale qué sigue sin poder hacer el modelo. Calidad del agua, nutrientes y agua subterránea en 3D son las respuestas publicadas, y un niño que puede nombrar los huecos declarados de un modelo está leyendo investigación como la leen los investigadores.

Preguntas frecuentes

¿Qué es la programación diferenciable, en una frase?

Escribir una simulación de modo que la computadora pueda calcular cómo afecta cada número interno a la salida final, lo que permite que una optimización por gradientes ajuste esos números automáticamente contra observaciones reales. Es el mecanismo que vuelve entrenables las ecuaciones físicas, igual que las redes neuronales.

¿Por qué hay dos resoluciones, 36 km² y 6 km²?

Porque la resolución la limitan los datos de entrada, no el modelo. Donde existen datos de buena calidad de suelo, terreno, clima y caudal, el modelo puede correr a 6 km² por celda. A nivel global, los datos disponibles de forma consistente alcanzan para 36 km². La brecha entre esos números mapea directo dónde la observación de la Tierra es densa y dónde no.

¿Es este el modelo detrás de la alerta de crecida de mi ciudad?

Casi seguro no. En Estados Unidos los pronósticos operativos vienen del National Water Model de la NOAA y de los centros regionales. En América Latina cada país tiene su propio servicio hidrológico. El trabajo de Penn State es modelado global de investigación, y su aporte es mostrar que un modelo con una parametrización consistente puede funcionar en todo el mundo sin calibración manual por cuenca.

¿En qué se diferencia de los modelos de clima con IA de las noticias?

Los modelos de clima como GraphCast predicen la atmósfera, normalmente de horas a días, y muchos de los recientes son puramente aprendidos. Esto es hidrología: qué pasa con el agua después de tocar el suelo, en escalas de días a estaciones, y mantiene ecuaciones físicas dentro del circuito a propósito.

¿Qué entrega en realidad la red neuronal?

Parámetros, no predicciones. Dadas las características de clima, pendiente, suelo y vegetación de un lugar, entrega los números que la física necesita ahí: qué tan fácil se infiltra el agua, cuánto almacena el suelo, qué tan rápido se enruta el caudal aguas abajo. Después la física calcula el caudal a partir de esos parámetros.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Shen, C., et al. (2025). Modelo global de hidrología diferenciable que combina física y aprendizaje automático. Nature Communications. Resumen de Penn State: https://www.psu.edu/news/research/story/ai-powered-model-predicts-floods-improves-water-management-worldwide
2. NOAA Office of Water Prediction. “About the National Water Model.” https://water.noaa.gov/about/nwm
3. U.S. Geological Survey. National Water Information System. https://waterdata.usgs.gov/
4. Sun, A., & Sun, A. (2026). “Time-series foundation models for streamflow forecasting in data-scarce regions.” Machine Learning: Earth. DOI 10.1088/3049-4753/ae4982. Cobertura: https://phys.org/news/2026-03-ai-scarce-regions.html
5. Batarseh, F., Pincus, L., & Sobien, D. (2026). IA causal para asignación de agua. Journal of Water Resources Planning and Management. DOI 10.1061/JWRMD5.WRENG-7120. Cobertura: https://phys.org/news/2026-07-national-drought-deepens-ai-demands.html
6. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/