Leyendo las olas
Cómo Suyana construyó un modelo oceánico para proteger a las comunidades pesqueras del Perú
Un barco pesquero navega frente a la costa norte del Perú
Un barco en el puerto está seguro, pero no es para eso que se construyen los barcos.
- John A. Shedd
Las comunidades pesqueras del Perú libran una batalla constante contra el mar. Cuando tormentas intensas generan olas gigantescas que golpean la costa, los puertos pesqueros deben cerrar, lo que deja a decenas de miles de pescadores sin poder trabajar y a sus familias sin ingresos. Pero ¿y si pudiéramos predecir estas condiciones peligrosas con días de anticipación? El equipo de Datos Climáticos de Suyana ha desarrollado herramientas sofisticadas para hacer exactamente eso, combinando modelación oceánica de vanguardia con análisis económico para comprender y pronosticar el impacto de los eventos de oleaje extremo.
1 / Leyendo las olas
El análisis comienza con la preparación de los datos, la base crucial, aunque a menudo invisible, de cualquier trabajo analítico. Este complejo proceso transforma datos oceanográficos en bruto en un formato apto para el análisis, a partir de mediciones históricas de oleaje del modelo SWAN (Simulating Waves Nearshore), calibrado para reproducir con precisión las alturas de ola en puntos de validación específicos donde hay datos satelitales disponibles. Estas simulaciones oceánicas ofrecen predicciones horarias detalladas de la altura de las olas y las condiciones del océano a lo largo de la costa peruana, abarcan varios años y cubren múltiples regiones costeras, cada una con sus propios desafíos, como costas muy irregulares o datos batimétricos de baja resolución.
Una parte fundamental de esta preparación consiste en definir los eventos, es decir, reconocer cuándo las condiciones del oleaje se vuelven lo bastante peligrosas como para obligar al cierre de puertos. En lugar de usar umbrales arbitrarios, analizamos patrones en los datos para identificar eventos de distinta duración e intensidad. Un pico de un día en la altura de las olas puede no ser significativo, pero cuando las condiciones peligrosas persisten durante cinco días consecutivos o más, el impacto económico se vuelve considerable. Este enfoque matizado permite que el análisis capture tanto perturbaciones meteorológicas breves como los sistemas de tormenta prolongados que causan el mayor daño.
Principales caletas pesqueras de la costa norte del Perú afectadas por las condiciones del oleaje
Poniendo a prueba las reglas de predicción
Una vez establecida la base de datos, el sistema de evaluación de reglas de Suyana pone a prueba cientos de condiciones de predicción distintas para pronosticar eventos peligrosos. El análisis evalúa reglas como "cuando la altura de ola supera los 1,8 metros y persisten condiciones de anomalía" o "cuando la altura significativa de ola, combinada con patrones de mar de fondo, indica mar agitado sostenido". Cada regla se prueba con un enfoque riguroso de validación cruzada que impide que el modelo simplemente memorice patrones históricos y garantiza que pueda predecir con precisión eventos futuros. También se probaron enfoques alternativos, como un conjunto de regresiones logísticas con distintos parámetros de regularización y algoritmos de aprendizaje automático más complejos diseñados específicamente para abordar el desbalance de clases. También se probaron enfoques alternativos, incluidos algoritmos complejos de aprendizaje automático diseñados específicamente para abordar el desbalance de clases. Al final, seleccionamos los algoritmos que ofrecían la mejor precisión y cuya interpretación seguía siendo transparente, lo que permitía un diseño de producto más simple.
Las mallas se anidan y se vuelven más finas, lo que nos permite modelar con precisión patrones costeros complejos.
En puntos específicos con datos satelitales, SWAN produce alturas de ola muy similares a las que realmente podemos observar.
El proceso de evaluación emplea una técnica llamada validación cruzada de series de tiempo, que respeta la naturaleza temporal de los datos oceanográficos. A diferencia de los métodos de muestreo aleatorio, este enfoque entrena el modelo con datos históricos y pone a prueba sus predicciones en períodos posteriores, imitando la forma en que el sistema se usaría realmente en la práctica. Para calcular de manera efectiva una distribución de pérdidas, realizamos luego miles de simulaciones mediante block bootstrap, probando cada regla en múltiples períodos y combinaciones de parámetros para identificar qué condiciones predicen con mayor fiabilidad los eventos de oleaje que obligan a cerrar los puertos.
2 / Comprendiendo el impacto económico
Lo que surge de este análisis es valioso tanto desde el punto de vista científico como práctico. Las reglas de predicción más exitosas se centran en las mediciones de altura máxima de ola del modelo SWAN, en particular cuando estas se desvían significativamente de los valores normales de la temporada. Una ola de 2 metros en la temporada tranquila podría indicar problemas, mientras que esa misma altura durante la temporada de tormentas podría ser relativamente normal.
Quizás lo más importante es que logramos cuantificar lo que está en juego en términos económicos. A partir de datos salariales de comunidades pesqueras de toda la costa peruana, estimamos que los eventos de oleaje extremo les cuestan a las economías locales millones de dólares al año. Un cierre de puerto típico de 5 días afecta a más de 3.000 pescadores en una sola región, con jornales de aproximadamente 12 dólares por persona, lo que suma casi 200.000 dólares en ingresos perdidos por cada evento prolongado. Si se escala a lo largo de la extensa costa peruana y de múltiples temporadas de pesca, estas cifras representan graves dificultades económicas para comunidades vulnerables. También pudimos captar patrones estacionales interesantes en la climatología del oleaje de la costa peruana. Los eventos peligrosos se concentran en los meses de invierno, cuando el invierno del hemisferio sur trae mayor actividad de tormentas y condiciones de oleaje de base más altas. Sin embargo, los eventos más dañinos económicamente suelen ocurrir en los períodos de transición, cuando las comunidades pesqueras esperan condiciones más tranquilas pero se encuentran con tormentas inesperadas, como algunos eventos de tormenta muy poco frecuentes en diciembre y enero.
Pescadora artesanal en el Perú con la pesca del día (Fuente: PRODUCE)
3 / Mirando hacia adelante
De cara al futuro, este marco analítico representa mucho más que una solución específica para las comunidades pesqueras peruanas: demuestra cómo la ciencia de datos moderna puede abordar problemas reales que afectan a poblaciones vulnerables. La combinación de modelación oceanográfica de alta calidad, aprendizaje automático y un análisis económico cuidadoso crea una plantilla que podría adaptarse a regiones costeras de todo el mundo. A medida que el cambio climático sigue alterando los patrones oceánicos y el clima extremo se vuelve más frecuente, este tipo de herramientas predictivas será cada vez más vital para proteger los medios de vida y las vidas de las comunidades costeras de todo el planeta.