Cuando el modelo ambiental falla, la respuesta no está en la pantalla — está en el subsuelo

Imagine intentar descubrir hacia dónde va el humo dentro de una casa a oscuras tomando apenas dos fotografías con flash al año. Parece imprudente, pero es exactamente así como la mayor parte de los proyectos ambientales monitorea hoy la contaminación del agua y del suelo: los equipos van al campo cada seis meses, recolectan muestras manuales en pocos pozos y tratan de adivinar qué ocurrió en los otros 363 días del año.

Con la llegada de la inteligencia artificial y de la automatización a la ingeniería ambiental, surgió una ilusión peligrosa: la idea de que un buen software o un algoritmo inteligente consigue "prever" el comportamiento de un terreno incluso cuando hay pocos datos. En realidad ocurre lo contrario. Y entender qué hacer cuando el modelador de datos (Data Modeler — sea un especialista humano o un agente de IA) falla es lo que separa un proyecto seguro de un pasivo millonario.

El problema de ver el subsuelo a cámara lenta

Bajo nuestros pies, en las capas que ecbyts organiza desde el subsuelo profundo (-Z), pasando por la superficie donde trabajan las personas (0Z), hasta la atmósfera (+Z), el ambiente nunca se detiene. Una lluvia fuerte un martes por la tarde puede empujar un contaminante más cerca de un río; un cambio en la presión del aire puede hacer que gases tóxicos suban del suelo hacia el interior de un galpón en cuestión de horas.

En la física y en las telecomunicaciones existe una regla básica llamada Teorema del Muestreo (Nyquist-Shannon): si un fenómeno cambia todos los días y usted solo mide cada seis meses, pierde la película completa y crea una ilusión óptica. En la hidrogeología, los científicos Keith Beven y Andrew Binley dieron otro nombre a esa trampa: equifinalidad. Cuando tenemos pocas mediciones, diez especialistas (o diez agentes de IA) pueden crear diez mapas diferentes que parecen "correctos" para el pasado, pero que apuntan a caminos completamente opuestos para el futuro del riesgo.

Lo que exige la ley: el Modelo Conceptual (MCA) como un termómetro de confianza

En el Estado de São Paulo — referencia regulatoria para Brasil a través de la Decisão de Diretoria CETESB nº 038/2017/C —, todo estudio de área contaminada debe construir y actualizar un Modelo Conceptual del Área (MCA).

Simplificando: el MCA es la "historia técnica" del lugar. Explica dónde nació la contaminación, por dónde viaja y a quién puede alcanzar. La propia norma de la CETESB establece que, ya al comienzo (MCA 1), el estudio reciba una calificación de confianza (A, B o C) y que el proyecto solo avance hacia las próximas fases (MCA 2 y MCA 3) a medida que disminuyan las dudas.

El problema es que, fuera de un sistema integrado, esa duda suele tratarse de forma subjetiva. En ecbyts, la incertidumbre tiene número, color y consecuencia directa.

Cómo ecbyts transforma el error del modelador en protección real

Dentro del Hub de Incertidumbre (UNC-001) de ecbyts, ningún número existe por sí solo. El sistema ejecuta miles de simulaciones matemáticas (método de Monte Carlo y propagación de incertidumbre estándar ISO/GUM) para calcular la probabilidad de excedencia — es decir, la probabilidad real de que la contaminación supere el límite seguro de la ley.

Cuando esa incertidumbre crece, el sistema aplica lo que llamamos Ampliador de Banda (Band Widener): cuanto menor es la calidad y la certeza de los datos (medidas por el índice κ), mayor se vuelve el margen de riesgo financiero y ambiental calculado para el proyecto.

En nuestra visión de futuro para estudios altamente automatizados, dos escenarios deben activar de inmediato un bloqueo de seguridad en el Modelo Conceptual (MCA):

1. Cuando el modelador (humano o IA) falla en la predicción. Si el responsable del modelado — o el agente autónomo del sistema — hace una estimación para un área y la medición siguiente demuestra que se equivocó, el sistema no debe "ajustar la curva" para esconder el error. El error prueba que todavía no entendemos cómo funciona el subsuelo de ese lugar. El resultado debe ser automático: se aumenta el rigor sobre el MCA y se bloquea cualquier decisión precipitada hasta que el lugar esté mejor investigado.
2. Cuando entran muchos datos nuevos y la duda aumenta. Parece contradictorio, pero ocurre todo el tiempo en la geociencia (un fenómeno conocido en la geoestadística clásica de Journel como efecto proporcional): usted hace decenas de nuevos sondeos en el terreno y, en lugar de que el mapa se vuelva simple, descubre que el suelo está lleno de grietas, capas mezcladas y caminos ocultos.

Cuando el modelador recibe una avalancha de datos y la tarjeta de riesgo de ecbyts salta del Verde (menos del 5% de probabilidad de violación) al Amarillo o Rojo (por encima del 20%), el Modelo Conceptual anterior dejó de ser válido. Más datos revelaron un problema más complejo, que exige un filtro de aprobación mucho más riguroso.

La solución: cambiar la adivinación por sensores en tiempo real (IoT)

Si el modelador falló o si el exceso de datos mostró un terreno impredecible, ¿cómo reducimos la incertidumbre de verdad? La Teoría del Valor de la Información (VoI) — desarrollada en Harvard por Raiffa y Schlaifer y aplicada a la ingeniería ambiental por Allan Freeze — da la respuesta exacta: solo se vence la duda comprando información nueva en el lugar correcto.

En lugar de esperar otros seis meses por una recolección manual, el fracaso del modelo matemático debe disparar la solicitud de instalación de sensores conectados (IoT) directamente en los puntos críticos del terreno:

• Donde los modelos discrepan: si dos escenarios en el comparador de ecbyts no se ponen de acuerdo sobre hacia qué lado está corriendo el agua subterránea, se instala un sensor automático de nivel y presión en ese punto exacto.
• Donde el riesgo es inmediato: si hay duda sobre gases que suben hacia un área con trabajadores (0Z), se instala un sensor continuo de vapores que envía alertas cada minuto.
• Donde la química cambia rápido: sondas automáticas que miden acidez (pH), conductividad y oxígeno en el agua avisan en el acto si una barrera de contención dejó de funcionar.

En ecbyts, cada vez que uno de esos sensores envía una lectura, el modelo completo se recalcula solo. El Dueño del Modelo (Model Owner), el responsable técnico y el auditor ven a través del Sello ECBYTS exactamente quién validó cada etapa y dónde la incertidumbre todavía debe combatirse.

Menos adivinación, más ingeniería

Automatizar estudios ambientales no significa dejar que la computadora decida sola en la oscuridad. Significa usar la inteligencia artificial y la estadística para vigilar nuestra propia ignorancia sobre el terreno.

Cuando el modelador falla o los datos se contradicen, el sistema cumple su papel más noble: aprieta las tuercas del Modelo Conceptual, muestra con claridad el tamaño del riesgo y exige que la ingeniería coloque sensores en el suelo para escuchar, en tiempo real, lo que la naturaleza está haciendo.

La base científica detrás de esta visión (para quien quiera ir más a fondo)

• El peligro de medir poco en el tiempo: Shannon, C. E. (1949) — _Communication in the presence of noise_. Explica por qué las recolecciones manuales escasas pierden variaciones críticas del ambiente.
• Por qué varios modelos parecen correctos pero se equivocan sobre el futuro: Beven, K., & Binley, A. (1992) — _The future of distributed models: model calibration and uncertainty prediction_ (Concepto de Equifinalidad).
• La regla del juego en Brasil: CETESB (2017) — Decisão de Diretoria nº 038/2017/C y ABNT NBR 16210. Define la evolución del Modelo Conceptual del Área (MCA 1, 2 y 3) basada en la reducción de incertidumbres.
• Estándar de incertidumbre usado en ecbyts (UNC-001): JCGM 100:2008 (GUM) — _Evaluation of measurement data — Guide to the expression of uncertainty in measurement_ y Simulación de Monte Carlo.
• Cuándo vale la pena instalar un sensor (Valor de la Información): Freeze, R. A. et al. (1990) — _Hydrogeological decision analysis_ y Eidsvik, J. et al. (2015) — _Value of Information in the Earth Sciences_.