Una mirada a la modelización en hidrología

En dos de las últimas entradas de este blog he hecho una introducción a la modelización y he comentado sus limitaciones. Hoy discutiré sobre dos artículos de hidrología aparecidos recientemente, que analizan el estado de la modelización en este campo.

Una de las aplicaciones de la hidrología es la construcción de modelos para predecir el caudal de un río. El caso típico es construir una herramienta que, a partir del estado pasado de una cuenca y una estimación de la precipitación futura, produzca una previsión útil del caudal de un río. Este tipo de modelos se usan principalmente para proteger a la población, para gestionar los recursos hídricos o para gestionar infraestructuras hidráulicas.

A grandes rasgos, hay dos familias importantes de modelos. Por un lado, tenemos modelos llamados de "caja negra", que no pretenden comprender el sistema. Simplemente pretenden obtener una buena previsión de la forma más sencilla posible. Por el otro lado tenemos modelos llamados "físicos", cuyo mecanismo pretende emular los procesos que se producen en la cuenca. Estos últimos utilizan complicadas ecuaciones que explican los movimientos de agua, los intercambios energéticos, las interacciones del suelo con la atmósfera, el rol de la vegetación, etc. En teoría, los modelos físicos deberían ser mucho más potentes puesto que, al intentar representar fielmente los procesos, podrían dar una imagen mucho más completa del sistema que no se limita a la simple previsión del caudal. Por ejemplo, un modelo de caja negra difícilmente podría simular el caudal de una cuenca para la que no haya medidas de caudal. Sin embargo, un modelo físico sí que debería producir resultados con sentido, ya que el desconocimiento del caudal en el pasado no es una limitación, si se conocen las características fisiográficas de la cuenca, es decir, el tipo de suelo, el tipo de vegetación, la topografía, etc. . O al menos, esto es lo que se proponen muchos modelizadores.

Imagen obtenida de ESIP

Sin embargo, la realidad es tozuda y los modelos físicos no han dado el resultado esperado. Esto ha provocado que muchos hidrólogos se pregunten qué es lo que está pasando en su profesión. Para ejemplificar este debate he elegido dos artículos, más o menos recientes, aparecidos en journals del campo. Ambos artículos comentan temas similares pero el de James W. Kirchner (Getting the right answers for the right reasons) se centra más en los problemas de base teórica, mientras que el de Vazken Andréassian y sus coautores, titulado "What is really undermining hydrologic science today", aborda principalmente problemas de carácter metodológico. Como pueden ver, los títulos de los artículos demuestran cierto estado de inquietud.

Kirchner comenta que los llamados modelos físicos no son tan físicos como sus autores pretenden ya que, debido a múltiples limitaciones, se ven abocados a tratar algunos procesos empíricamente mediante la introducción de parámetros. Los valores de estos parámetros no pueden ser obtenidos a partir de observaciones, bien porque es difícil tomar datos de esas magnitudes, bien porque los parámetros realmente no representan una cantidad física medible. Esto significa que, finalmente, siempre hay que incurrir en algún tipo de calibración. Calibrar el modelo consiste en encontrar los valores de los parámetros que permiten al modelo acercarse más a los valores observados de alguna variable. Claro está que, al calibrar el modelo lo forzamos a dar buenos resultados, no a representar bien el sistema, y por consiguiente, no podemos nunca estar seguros de que el modelo esté reproduciendo correctamente el proceso que simula. De hecho, Kirchner destaca que "cuando estos modelos son calibrados con datos de un intervalo temporal, suelen proporcionar peores resultados cuando se prueban con datos de otro período de tiempo con diferentes características de precipitación". Así, vemos que el modelo calibrado no suele ser suficientemente robusto como para reproducir correctamente datos que no se han usado en la calibración.

Kirchner destaca otro problema importante: el cambio de escala. Los modelos físicos dividen la cuenca en unidades de cálculo. Así, por ejemplo, un modelo puede dividir una cuenca en cuadrados de 2 km x 2 km. De esta manera, el modelo aplica ecuaciones propias de la física del suelo, que se obtuvieron analizando datos a la escala del centímetro, sobre un "punto gordo" de la escala del kilómetro. Al hacer esto se supone que las ecuaciones continuarán reproduciendo bien los procesos pese al cambio de escala. Esta hipótesis es bastante fuerte y no está exenta de problemas. Kirchner propone que se construyan nuevos juegos de ecuaciones capaces de representar los procesos a la misma escala a la que se aplican en los modelos, evitando así las suposiciones difíciles de defender.

Este debate sobre la escala no es únicamente propio de la hidrología. En física se creyó que encontrando las ecuaciones que rigen lo más pequeño se obtendría una ecuación universal que describiría todo el universo. Nunca ha sido así. En la física actual hay ecuaciones para cada escala, desde la física cuántica hasta la relatividad, pasando por la física clásica, por no hablar de la ahora famosa nanoescala. Un modelo termodinámico no usará las ecuaciones de la cuántica sino que le bastará con las ecuaciones clásicas de la termodinamica, puesto que éstas son capaces de describir los procesos a la escala que se estudia.

En el segundo artículo comentado Andréassian y sus coautores tratan problemas similares, pero de forma todavía mas crítica con la profesión. Ellos se preguntan por qué los usuarios de los modelos hidrológicos, es decir, los que usan los modelos para la toma de decisiones, están perdiendo la confianza en los científicos que desarrollan los modelos. Para responder a la pregunta apuntan dos causas principales. La primera es que los modelos han sido sistemáticamente sobre-valorados por sus propios creadores. Creen que los precedimientos de validación deben ser más estrictos y estandarizados y que se debe terminar con la tendencia a esconder los casos difíciles. La segunda causa que apuntan es que en su opinión la investigación en hidrología ha ido coleccionando sellos, se han realizado estudios individuales sobre cuencas específicas, en lugar de buscar soluciones genéricas válidas para el mayor número de cuencas posible. Sostienen que los hidrólogos han creído que sus modelos eran tan buenos, que se han olvidado de obtener datos y de evaluar críticamente su trabajo. Este último punto, coinciden plenamente con lo que afirma Kirchner: al hacer modelos cada vez más complejos basados en ecuaciones ya existentes, se han descuidado las mediciones experimentales sobre el terreno (in-situ), las cuales deberían utilizarse como base para obtener nuevas aproximaciones más adecuadas. Parece que en hidrología se ha preferido la comodidad del laboratorio caliente y la taza de té a la dureza de las medidas de campo.

La discusión precedente ha tomado ejemplos de modelización en hidrología. Problemas muy similares se plantean en otras ramas de las ciencias de la tierra. Significa esto que se desdeña el papel de los modelos? No, en absoluto. Los modelos son extremadamente útiles, pero hay que utilizarlos con precaución. Sería importante conseguir que los modelos dejaran de ser en si mismos un fin de la investigación y fueran simplemente una herramienta más. Sería bueno que en todos los campos en que se hace uso de la modelización se desarrollara un espíritu crítico y métodos adecuados para evaluar de forma objetiva el buen funcionamiento de tales herramientas. La tarea es difícil, pero no imposible. Desde mi punto de vista, una de las mayores dificultades reside en el modo en que se financia la ciencia, pero éste es otro tema que daría para unos cuantos tomos.

1. James W. Kirchner, “Getting the right answers for the right reasons: Linking measurements, analyses, and models to advance the science of hydrology,” Water Resources Research 42 (March 18, 2006): W03S04, http://www.agu.org/pubs/crossref/2006/2005WR004362.shtml.

2. Julien Lerat Vazken Andréassian, “What is really undermining hydrologic science today,” Hydrological Processes 21, no. 20 (2007): 2819-2822, http://dx.doi.org/10.1002/hyp.6854.

Los modelos no son perfectos

En la segunda entrada de este blog, expliqué de manera sucinta qué son y para que se usan los modelos. Dije, sin insistir mucho, que " los científicos son humanos y, por lo tanto, no siempre actúan con la precaución necesaria". En la siguiente entrada hablé del descubrimiento de un proceso que juega un rol muy importante en el equilibrio de la corriente termohalina. La conclusión que se deriva de estos dos textos es simple y evidente: los modelos que no simulen bien este "nuevo" proceso, no podrán afirmar que simulan "correctamente" la realidad. Efectivamente, como dije, el modelo "no reproduce los principales procesos del sistema real, sino que reproduce los procesos que el modelizador cree que son los principales en el sistema estudiado", en consecuencia, hay que ir con pies de plomo al hacer uso de modelos, sobretodo si el objetivo del modelizador no es meramente académico y, por lo tanto, se tomarán decisiones con importantes impactos económicos y sociales a partir de sus resultados.

Recientemente se publicó un libro muy interesante (tengo que confesar que todavía no lo he terminado), titulado Useless Arithmetic: Why Environmental Scientists Can't Predict the Future (ya hablaremos del libro en el futuro) que trata, precisamente, el mal uso de los modelos en la ciencias de la Tierra. Uno de los ejemplos que trata el libro es la muerte de los famosos caladeros de bacalao (cod en inglés) de la costa atlántica canadiense. Canadá se tomó muy en serio el control del recurso pesquero, pero, al parecer, se tomaron decisiones sobre la base de modelos que, luego, se mostraron erróneos. En consecuencia, allí donde antes se pescaba en abundancia, ya casi no queda nada que pescar.

Este ejemplo es extremadamente didáctico para entender que los modelos no dicen la verdad, esta sólo es accesible observando directamente la naturaleza. Los modelos dan información muy interesante basada en los conocimientos limitados que tenemos del sistema, pero no más. En un interesante artículo, Jonah Lehrer se pregunta si no estaremos cometiendo errores similares en nuestras predicciones climáticas, ya que estamos descubriendo que los hielos de Groenlandia están reaccionando al cambio del clima de una manera que no nos esperábamos y que, por lo tanto, no simulamos correctamente en los modelos.

Yo no tengo respuesta a estas preguntas, lo que sí que se es que a menudo falta humildad a la hora de explicar lo que es capaz de representar un modelo (de esto también hablaremos en el futuro), al fin y al cabo, hay que "vender" los modelos a los que distribuyen los presupuestos de investigación o, sin ir más lejos, simplemente, los modelizadores nos enamoramos de nuestras creaciones. Pero, eso no significa que la profesión entera vaya equivocada. Ni mucho menos. Ni tampoco significa que las previsiones actuales sean catastrofistas, como les gusta cacarear a los, mal llamados, escépticos. Deberemos estar atentos y, sobretodo, deberemos analizar con detalle el debate científico, lejos del ruido mediático y político. No dejemos que los oportunistas guíen la agenda.

Modelos

Es común que mis interlocutores pongan cara de no entender muy bien mis explicaciones, cuando les hablo de mi trabajo. La reacción comprensible, al fin y al cabo, en el día a día, somos pocos los que batallamos con los modelos. Pero, el hecho es que, aunque desconozcamos su funcionamiento, nuestras vidas están cada vez más condicionadas por los modelos, ya que en muchas circunstancias se usan para tomar decisiones.

En la actualidad, es difícil concebir la investigación en ciencias de la Tierra sin hacer uso de la modelización, en consecuencia, conviene tener una idea clara de qué es y para qué sirve un modelo, si se quieren seguir los avances en este campo. Así, creo oportuno, ahora que el blog es todavía joven, explicar de manera simple y llana, qué es un modelo y, sobretodo para qué sirve. En el futuro, cuando hable de modelos, me referiré a esta entrada.

¿Qué es un modelo?

Para empezar, podríamos decir que toda teoría científica, como por ejemplo, la teoría de Newton de la gravedad, es un modelo. Pero esta definición tan general no nos ayuda mucho en el contexto que nos ocupa. Aquí, en general, nos referiremos a una especie mucho más concreta de modelo: los modelos informáticos que se usan para estudiar la atmósfera, el océano o las superfícies continentales. En este contexto, el modelo no es más que un programa informático, que intenta reproducir los procesos principales que rigen el funcionamiento de un sistema natural. En otras palabras, el modelo es una maqueta digital con la cual podemos jugar para contestar preguntas del tipo ¿qué pasaría si? En este caso, nuestros ordenadores juegan el rol de Tierras en miniatura sobre las cuales podemos experimentar sin límite alguno. Un experimento típico sería el de usar un modelo, que reproduce el sistema climático, para ver que pasaría en el futuro si seguimos emitiendo gases de efecto invernadero, como por ejemplo, el CO₂.

Pero, al analizar los resultados de una simulación, hay que ir con mucha precaución, por el simple hecho de que el modelo nunca se comportará de la misma forma que la realidad. Esto es así porqué, de entrada, el modelo es más simple que ésta-- por su propia razón de ser-- y, además, porque está sesgado por construcción. El modelo no reproduce los principales procesos del sistema real, sino que reproduce los procesos que el modelizador cree que son los principales en el sistema estudiado. Así, el modelo, como un mapa, representa el grado de conocimiento que tiene su autor sobre la realidad. El modelo es tan útil para el científico, como el mapa para el explorador, a pesar de las imperfecciones.

Para dejar las cosas un poco más claras, esbozaré cuales son los usos principales de los modelos en las ciencias de la atmósfera o en hidrología. En este contexto, un modelo puede servir para:

1. Entender los procesos que se producen en el sistema

Intentar reconstruir el funcionamiento de un sistema, es probablemente la mejor manera de comprenderlo. El proceso de elaboración de un modelo es como sigue: A partir del conocimiento que se dispone del sistema, es decir, de las observaciones, se elabora una teoría de cómo podría funcionar dicho sistema. Esta teoría se construye en forma de ecuaciones que, luego, se transforman en algoritmos ejecutables por un ordenador. Finalmente, se ejecuta el modelo y se comparan los resultados con las observaciones disponibles. Por supuesto, nunca, los resultados son idénticos a estas, así que siempre hay motivos para volver a revisar la teoría, para refinarla, en consecuencia, el proceso es iterativo. En este proceso, el modelizador supone que al acercar los resultados del modelo a la realidad, está mejorando el conocimiento que tiene del sistema, pero el peligro es que a veces no se obtienen buenos resultados por los buenos motivos, por lo que el modelizador siempre tiene que sospechar de su modelo. A pesar de ello, los científicos son humanos y, por lo tanto, no siempre actúan con la precaución necesaria. Ya hablaremos de este tema otro día.

2. Obtener la información más completa posible del estado de un sistema.

Una vez tenemos un modelo que creemos sólido, podemos usarlo para completar la visión que se tiene de la realidad. No siempre es fácil observar ciertas magnitudes. Por ejemplo, es fácil medir la precipitación, la temperatura y el viento, pero no es nada fácil medir la evaporación que se produce en la vegetación ni, tampoco, la humedad del suelo. Así, un modelo que simula las interacciones entre la atmósfera y la superficie continental, incluida la vegetación, puede ayudarnos a obtener un mapa de la humedad del suelo, a partir de simples datos meteorológicos, como los mencionados anteriormente. De esta manera, a partir de una información parcial, podemos obtener un mapa completo, pero aproximado, del estado real del sistema.

Otro uso similar sería el de completar series de datos. Es común que las series de observaciones del caudal de un río en un punto determinado sean incompletas. Esto puede ser debido a diversas razones, por ejemplo, a un fallo en el instrumento de medida o a que el observador se puso enfermo. En estas situaciones, es habitual utilizar un modelo para reconstruir la serie y completarla. El método es el siguiente: usando los datos disponibles, se construye un modelo que reproduzca el caudal en función de la precipitación en el período observado. Luego, una vez se tiene confianza en el modelo construido, se usa para obtener el caudal en el período que no se pudo observar, utilizando para ello, las observaciones de precipitación.

3. Predecir el futuro

Finalmente, podemos usar el modelo para obtener información sobre el comportamiento futuro del sistema. Esto es, por ejemplo, lo que hacen los meteorólogos, para elaborar sus predicciones. Los meteorólogos disponen de modelos que reproducen, de manera bastante fiable, el comportamiento de la atmósfera. Para predecir el futuro, inician una simulación con los datos de las observaciones en el presente y dejan evolucionar el sistema hacia el futuro. Si el modelo es fiel a la realidad, será capaz de construir un escenario creíble durante un tiempo razonable.