Rafael Magallanes Quintanar, investigador de la Benemérita Universidad Autónoma de Zacatecas (BUAZ), presentó en el XI Congreso Nacional y IV Internacional de Riego, Drenaje y Biosistemas, una síntesis de cuatro años de investigación en la que él y su equipo compararon cinco generaciones de modelos de inteligencia artificial para predecir la sequía agrícola en el estado.
Según datos citados por el ponente, el 32 por ciento de los municipios de Zacatecas presenta riesgo alto o muy alto de sequía agrícola, el 75.8 por ciento de la agricultura del centro-norte del estado es de temporal y el 67.4 por ciento de la población de esas zonas vive de la actividad agrícola.
Para medir la sequía, el equipo de investigadores utilizó el Índice Estandarizado de Precipitación (SPI, por sus siglas en inglés), publicado por McKee en 1993 y adoptado ampliamente porque solo requiere datos de lluvia para su cálculo. Sin embargo, el SPI únicamente describe el estado de humedad pasado y presente de una región, y no tiene capacidad de pronóstico; de ahí la necesidad de incorporar redes neuronales artificiales para proyectar valores futuros.
Con información de 54 municipios y hasta 50 años de registros climatológicos, los investigadores dividieron primero el estado en cuatro zonas climáticas (semidesértica, altiplano, montañas y cañones) para analizar cada región por separado. Con esa base, entre 2022 y 2026 fueron probando modelos de inteligencia artificial cada vez más sofisticados.
La investigación mostró una mejora progresiva en la precisión del pronóstico de sequía conforme evolucionaron las arquitecturas e identificó al PatchTST como el mejor de los cinco Transformers probados. PatchTST es una variante de la misma familia de arquitecturas detrás de herramientas como ChatGPT.
Magallanes Quintanar también concluyó que para cada región se debe elegir el tipo de red neuronal que ofrece el mejor pronóstico. El investigador adelantó que las siguientes etapas de la presentación abordarían la validación externa de los modelos y las conclusiones generales del trabajo.
