����������������������������������������������������������������������������������

 

Inteligencia artificial aplicada a la predicci�n de inundaciones: Una revisi�n sistem�tica bajo el enfoque PRISMA 2020

 

Artificial intelligence applied to flood prediction: A systematic review under the PRISMA 2020 approach

 

Intelig�ncia artificial aplicada � previs�o de cheias: uma revis�o sistem�tica segundo a abordagem PRISMA 2020

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: auroragbr8@gmail.com

 

Ciencias del Deporte

Art�culo de Investigaci�n

 

* Recibido: 22 de septiembre de 2025 *Aceptado: 20 de octubre de 2025 * Publicado: �17 de noviembre de 2025

 

       I.          Mag�ster en Desarrollo Local Menci�n en Planificaci�n, Desarrollo y Ordenamiento Territorial, Ingeniera en Administraci�n para Desastres y Gesti�n del Riesgo, Investigadora Independiente; Guaranda, Ecuador.

 

Resumen

La creciente frecuencia e intensidad de inundaciones a nivel global, impulsada por el cambio clim�tico y la expansi�n urbana no planificada, ha generado una necesidad urgente de m�todos predictivos m�s eficientes. En este contexto, la inteligencia artificial (IA) se ha consolidado como una herramienta importante en el modelado y la predicci�n de eventos hidrometereol�gicos extremos.� El presente estudio realiza una revisi�n sistem�tica de literatura, basada en el protocolo PRISMA 2020, con el objetivo de analizar las principales tendencias cient�ficas en el uso de algoritmos de IA para la predicci�n de inundaciones, la b�squeda se efectu� en las bases de datos Scopus, Web of Science y ScienceDirect. En an�lisis bibliom�trico permiti� identificar los modelos m�s empleados, las regiones con mayor producci�n cient�fica y las revistas m�s influyentes. Los resultados evidencian un notable crecimiento en esta l�nea de investigaci�n, destacando la proliferaci�n de modelos h�bridos, redes neuronales y enfoques de aprendizaje autom�tico aplicados a contextos de alto riesgo clim�tico.

Palabras Clave: Inteligencia artificial; predicci�n de inundaciones; modelos h�bridos; aprendizaje autom�tico; riesgo clim�tico.

 

 

Abstract

The increasing frequency and intensity of floods globally, driven by climate change and unplanned urban sprawl, has generated an urgent need for more efficient predictive methods. In this context, artificial intelligence (AI) has become an important tool for modeling and predicting extreme hydrometeorological events. This study presents a systematic literature review, based on the PRISMA 2020 protocol, to analyze the main scientific trends in the use of AI algorithms for flood prediction. The search was conducted in the Scopus, Web of Science, and ScienceDirect databases. Bibliometric analysis identified the most frequently used models, the regions with the highest scientific output, and the most influential journals. The results show significant growth in this line of research, highlighting the proliferation of hybrid models, neural networks, and machine learning approaches applied to high-risk climate contexts.

Keywords: Artificial intelligence; flood prediction; hybrid models; machine learning; climate risk.

 

 

Resumo

O aumento da frequ�ncia e da intensidade das inunda��es em todo o mundo, impulsionado pelas altera��es clim�ticas e pela expans�o urbana desordenada, gerou uma necessidade urgente de m�todos preditivos mais eficientes. Neste contexto, a intelig�ncia artificial (IA) tornou-se uma ferramenta importante para a modela��o e a previs�o de eventos hidrometeorol�gicos extremos. Este estudo apresenta uma revis�o sistem�tica da literatura, baseada no protocolo PRISMA 2020, para analisar as principais tend�ncias cient�ficas na utiliza��o de algoritmos de IA para a previs�o de cheias. A pesquisa foi realizada nas bases de dados Scopus, Web of Science e ScienceDirect. A an�lise bibliom�trica identificou os modelos mais frequentemente utilizados, as regi�es com maior produ��o cient�fica e as revistas mais influentes. Os resultados mostram um crescimento significativo nesta linha de investiga��o, destacando a prolifera��o de modelos h�bridos, redes neuronais e abordagens de aprendizagem autom�tica aplicadas a contextos clim�ticos de alto risco.

Palavras-chave: Intelig�ncia artificial; previs�o de inunda��es; modelos h�bridos; aprendizagem de m�quina; risco clim�tico.

 

Introducci�n

Las inundaciones representan uno de los desastres naturales m�s frecuentes y destructivos del planeta, su impacto se ha intensificado en las �ltimas d�cadas debido al cambio clim�tico, la urbanizaci�n no planificada y la degradaci�n ambiental. Seg�n el Banco Mundial (2022), las inundaciones afectan anualmente a m�s de 250 millones de personas y generan p�rdidas econ�micas que superan los 40000 millones de d�lares. A esto suma el hecho de que el 70% de las grandes ciudades del mundo est�n ubicadas en zonas costeras o riberas, lo que incrementa su exposici�n. El �ltimo informe del IPCC (2021) alerta sobre el aumento de eventos hidrol�gicos extremos en frecuencia, intensidad y duraci�n, especialmente en zonas tropicales y andinas.

Hist�ricamente, la predicci�n de inundaciones se ha abordado mediante modelos hidrol�gicos deterministas, basados en ecuaciones f�sicas que simulan el comportamiento del agua en una cuenca. Aunque estos modelos han sido fundamentales en hidrolog�a, presentan limitaciones en escenarios con escasa informaci�n o condiciones geogr�ficas cambiantes (Beven, 2012). Adem�s, requieren calibraciones complejas y no siempre logran adaptarse a eventos inesperados como lluvias torrenciales o desbordamientos urbanos. Estas deficiencias han impulsado la b�squeda de nuevas soluciones que aumenten la precisi�n y la capacidad de respuesta ante escenarios extremos (Yaseen y otros, 2015).

En el �mbito de la cartograf�a de inundaciones, los enfoques de Geoespatial Artificial intelligence (GeoAI) han marcado un punto de inflexi�n. Investigaciones recientes han empleado redes generativas adversarias (GANs), redes convolucionales (CNN) y modelos de atenci�n tipo Vision Transformer (ViT) para combinar im�genes �pticas y radar con datos topogr�ficos y meteoreol�gicos. Seg�n Lee y otros (2025), esta fusi�n multimodal permite generar mapas de extensi�n de inundaciones con una resoluci�n de hasta 5 metros, en menos de 10 minutos tras una lluvia intensa, lo que mejora en la capacidad de respuesta en emergencias.�

En este contexto, la inteligencia artificial (IA) se ha consolidado como una alternativa poderosa y adaptable para enfrentar los desaf�os asociados a la predicci�n hidrol�gica. Su capacidad para procesar grandes vol�menes de datos multivariados y aprender patrones no lineales la convierte en una herramienta id�nea para contextos din�micos y con alta incertidumbre (Mosavi y otros, 2018). A diferencia de los modelos tradicionales, los algoritmos de IA no requieren supuestos estrictos sobre la distribuci�n de datos, y pueden integrarse f�cilmente con sensores remotos, estaciones meteorol�gicas e im�genes satelitales (Zhou y otros, 2021).

En t�rminos aplicados, un estudio en la ciudad de Derna (Libia) realizado por Elmahdi y otros (2023) integr� im�genes de alta resoluci�n GEOEYE-1 y Sentinel-2 con algoritmos como Random Forest, SVM y CART para mapear la magnitud del desastre posterior a una inundaci�n repentina. Los modelos alcanzaron una precisi�n del 91% en la clasificaci�n de �reas afectadas, y fueron fundamentales para estimar da�os en infraestructura cr�tica. Este enfoque confirma la efectividad de combinar sensores multiespaciales y aprendizaje autom�tico para monitoreo post-desastre en regiones con baja capacidad institucional.

En un contexto africano, Nguemeni y otros (2024) Aplicaron redes neuronales recurrentes (RNN) y LSTM para pronosticar inundaciones en la regi�n septentrional de Camer�n. Los modelos fueron entrenados con datos de precipitaci�n y caudal de solo cinco a�os, pero lograron anticipar con �xito eventos extremos con 48 horas de antelaci�n. Estas t�cnicas en condiciones de datos limitados sugieren una alternativa viable para pa�ses en desarrollo, donde los modelos f�sicos enfrentan obst�culos log�sticos y de implementaci�n.

Un aporte reciente al campo es el desarrollo de modelos h�bridos explicables que combinan arquitecturas Transformer y LSTM, integradas mediante algoritmos de b�squeda adaptativa aleatoria. Investigadores como Kumar y otros (2024) demostraron que estos modelos no solo ofrecen altos niveles de precisi�n, sino que tambi�n permiten interpretar los factores determinantes en la predicci�n, un avance frente a las cr�ticas de las redes neuronales como �cajas negras�. El modelo logr� un desempe�o destacado en entornos urbanos de la India Malasia, proporcionando predicciones en tiempo real con tasas de error inferiores al 10% y siendo f�cilmente integrable con dashboards para tomadores de decisiones.

Otro avance es el desarrollo del modelo DRUM (Diffusion based Runoff Model), una herramienta basada en inteligencia generativa que predicciones probabil�sticas de escorrent�a e inundaciones para los 48 estados continentales de EEUU. Seg�n Smith (2024), DRUM logra reducir el error relativo en caudales extremos (percentil 0.1) en m�s de un 30 % respecto a modelos est�ndar, y permite representar incertidumbre espacial entre cuencas. Este tipo de innovaci�n abre nuevas posibilidades para la implementaci�n de sistemas de alerta temprana con mayor granularidad y adaptabilidad.

Entre los algoritmos m�s utilizados en la predicci�n de inundaciones, entre ellos las redes neuronales artificiales (ANN), m�quinas de soporte vectorial (SVM), �rboles de decisi�n (DT), redes convolucionales (CNN) y modelos h�bridos que combinan t�cnicas estad�sticas con aprendizaje profundo. Estas t�cnicas han sido aplicadas en cuencas urbanas, sistemas fluviales complejos y escenarios de cambio clim�tico, mostrando ventajas en precisi�n, velocidad de procesamiento y escalabilidad (Choubin y otros, 2020). Su efectividad ha sido documentada en estudios realizados en Asia, Europa, Am�rica Latina y �frica, lo cual demuestra su versatilidad y aplicabilidad en diversos contextos geogr�ficos.

Desde el a�o 2020, la producci�n cient�fica sobre la inteligencia artificial aplicada a la predicci�n de inundaciones ha crecido de forma acelerada. Este auge responde al desarrollo de sensores m�s avanzados, al acceso a im�genes satelitales en alta resoluci�n y a la disponibilidad de datos abiertos en tiempo real. Paralelamente, la expansi�n de la computaci�n en la nube y del aprendizaje autom�tico ha favorecido el desarrollo de plataformas predictivas m�s accesibles y escalables (Nie y otros, 2023). Estas tendencias se enmarcan en los objetivos globales de la Agenda 2030 y en el cumplimiento del Marco de Sendai para la Reducci�n del Riesgo de Desastres, promoviendo soluciones tecnol�gicas innovadoras frente a la emergencia clim�tica.

El crecimiento exponencial en la producci�n cient�fica desde 2020 ha dado un paso a nuevas estrategias de modelado, destac�ndose la combinaci�n de algoritmos cl�sicos y m�todos de aprendizaje profundo. En esta l�nea, Asif y otros (2025) realizaron una revisi�n comparativa de 85 modelos aplicados a predicci�n de inundaciones, concluyendo que los enfoques h�bridos que integran redes neuronales LSTM, m�quinas de bosque aleatorio y redes convolucionales mejoran la precisi�n de predicci�n entre 1 y 48 horas de anticipaci�n. Esta superioridad se atribuye a su capacidad para capturar tanto la secuencia temporal como las complejidades espaciales del fen�meno. Adem�s, su aplicabilidad ha sido validad en regiones vulnerables de Asia y Am�rica Latina, con resultados que superan los enfoques tradicionales en al menos un 20% en m�tricas como RMSE y precisi�n.

Pese al crecimiento de la producci�n cient�fica, no se dispone de una revisi�n sistem�tica reciente que sintetice los avances en esta �rea. Las revisiones existentes son mayoritariamente narrativas o limitadas a estudios de caso, lo que dificulta una visi�n global del conocimiento acumulado. Adem�s, no se ha sistematizado qu� algoritmos son m�s utilizados, qu� pa�ses lideran la investigaci�n, ni cu�les son las revistas m�s activas en el tema. Esta carencia limita la articulaci�n de nuevas agendas investigativas y pol�ticas p�blicas basadas en evidencia (Hu y otros, 2022).

Frente a este vac�o, el presente art�culo tiene como objetivo analizar las tendencias recientes en el uso de algoritmos de inteligencia artificial para la predicci�n de inundaciones, mediante una revisi�n sistem�tica de literatura cient�fica publicada 2020 y 2025. Para ello, se aplica el protocolo PRISMA 2020 (Page y otros, 2021), que permite garantizar la transparencia y rigurosidad del proceso de b�squeda, selecci�n y an�lisis de estudios. Adicionalmente, se realiza un an�lisis bibliom�trico que proporciona una visi�n cuantitativa sobre la evoluci�n de la producci�n cient�fica, identificando autores, revistas, instituciones, pa�ses y palabras clave m�s relevantes.

La b�squeda se realiz� en tres de las bases de datos m�s reconocidas a nivel internacional: Scopus, Web of Science y ScienceDirect, priorizando art�culos revisados por pares, con acceso completo y enfoque aplicado. Se establecieron criterios de inclusi�n y exclusi�n rigurosos para asegurar la relevancia y calidad de los documentos analizados; luego del filtrado, se identificaron las publicaciones m�s representativas en el tema, los patrones de colaboraci�n cient�fica. Esta revisi�n busca adem�s identificar vac�os tem�ticos y oportunidades de innovaci�n en futuras investigaciones.

La importancia de este estudio radica no solo en su contribuci�n al conocimiento acad�mico, sino tambi�n en su utilidad pr�ctica para la gesti�n del riesgo de inundaciones, al ofrecer un an�lisis actualizado y estructurado de la literatura cient�fica, se brinda una herramienta valiosa para investigadores, tomadores de decisiones y organismos t�cnicos que trabajan en la reducci�n del riesgo de desastres. Los resultados permitir�n orientar inversiones en tecnolog�as predictivas, fomentar la transferencia de conocimiento, y promover el uso de la inteligencia artificial como un aliado estrat�gico en la construcci�n de territorios m�s seguros, resilientes y sostenibles frente al cambio clim�tico. �

 

Materiales y m�todos

Esta revisi�n sistem�tica se estructur� bajo los lineamientos del protocolo PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta - Analyses), reconocido internacionalmente por proporcionar un enfoque claro, riguroso y replicable para la revisi�n de literatura cient�fica, la adopci�n de este protocolo permiti� garantizar la transparencia en la selecci�n, evaluaci�n y an�lisis de los documentos incluidos, facilitando una trazabilidad completa desde la identificaci�n de los art�culos hasta su an�lisis final.

El prop�sito central de esta secci�n metodol�gica fue asegurar la solidez cient�fica del proceso, eliminando sesgos y ambig�edades que pudieran comprometer la calidad de la revisi�n. Se adopt� un dise�o basado en el ciclo cl�sico de una revisi�n sistem�tica: identificaci�n de fuentes, b�squeda estructurada, eliminaci�n de duplicados, aplicaci�n de criterios de inclusi�n y exclusi�n, evaluaci�n de elegibilidad y an�lisis final. Todo el procedimiento se document� detalladamente, permitiendo su reproductibilidad por parte de otros investigadores interesados en este campo.

La b�squeda se centr� en el periodo enero de 2020 a abril de 2025, ya que este intervalo concentra el auge de la producci�n cient�fica sobre la inteligencia artificial aplicada a la predicci�n de inundaciones, en respuesta al avance tecnol�gico y a la intensificaci�n de eventos clim�ticos extremos. Este marco temporal coincide con el crecimiento del uso de modelos de aprendizaje autom�tico, disponibilidad de datos abiertos, y desarrollo de plataformas de an�lisis geoespacial, factores clave en el desarrollo de esta l�nea de investigaci�n.

Se seleccionaron tres bases de datos reconocidas por su impacto y cobertura multidisciplinaria: Scopus, Web of Science (WoS) y ScienceDirect. Scopus y WoS fueron elegidas por su alcance internacional y por ser fuentes primarias en bibliometr�a, ScienceDirect fue incluida por contener publicaciones altamente t�cnicas en ciencias aplicadas, ingenier�a y medio ambiente. Estas bases ofrecen filtros avanzados que permiten refinar la b�squeda por tipo de documento, idioma, a�o de publicaci�n y revisi�n por pares, asegurando una alta calidad en los resultados obtenidos.

La estrategia de b�squeda se dise�� con criterios de exhaustividad y especificidad, se aplicaron operadores booleanos, truncamientos y combinaciones de t�rminos en ingl�s, para asegurar la recuperaci�n de estudios relevantes. La f�rmula final fue: (�artificial intelligence� OR �machine learning� OR �Deep learning�) AND (�flood prediction� OR �flood forecasting� OR �flood modeling�), aplicada a t�tulo, resumen y palabras clave. Se utiliz� el filtro de �documento cient�fico� y se excluyeron tesis, ponencias de congreso y literatura gris, priorizando �nicamente art�culos revisados por pares y de acceso completo.

Los criterios de inclusi�n establecidos fueron los siguientes:

1. Art�culos publicados entre 2020 y 2025
2. Textos complejos en ingl�s y espa�ol
3. Estudios que apliquen algoritmos de inteligencia artificial con enfoque predictivo
4. Investigaciones originales emp�ricas
5. Acceso al texto completo en l�nea

Por otro lado, se excluyeron art�culos duplicados, estudios centrados �nicamente en sensores sin aplicaci�n predictiva; revisiones narrativas; art�culos duplicados; estudios centrados �nicamente en sensores sin aplicaci�n predictiva; revisiones narrativas; art�culos sin enfoque metodol�gico claro; y publicaciones en idiomas no accesibles para los investigadores.

El proceso de selecci�n de los estudios se desarroll� en cuatro fases consecutivas: identificaci�n, cribado, elegibilidad e inclusi�n final. En la fase de identificaci�n se recopilaron 412 documentos �nicos: 210 en Scopus, 127 en Web of Science y 75 en ScienceDirect. Tras eliminar 48 duplicados, se procedi� al cribado de 364 t�tulos y res�menes, donde se excluyeron 234 art�culos por no cumplir con el foco tem�tico. En la etapa de elegibilidad, se revisaron 130 textos completos, descartando 72 por no cumplir con los criterios definidos, lo que dej� un total de 58 art�culos seleccionados para el an�lisis final.

Cada uno de los 58 art�culos fue evaluado mediante una ficha de extracci�n de datos estructurada, en la que se registraron variables como a�o de publicaci�n, pa�s de procedencia, autores principales, algoritmo de IA utilizado, enfoque metodol�gico, datos de entrenamiento y tipo de predicci�n desarrolladas. Esta informaci�n fue organizada en una base de datos de entrenamiento y tipo de predicci�n desarrollada.

El an�lisis bibliom�trico contempl� indicadores como: evoluci�n de publicaciones por a�o, autores m�s productivos, revistas cient�ficas con mayor n�mero de art�culos, pa�ses con mayor producci�n investigativa, algoritmos m�s utilizados, palabras clave m�s frecuentes y redes de coocurrencia de t�rminos. Este enfoque permiti� construir un panorama cuantitativo de la actividad investigativa global en torno a la tem�tica, apoyando la discusi�n posterior sobre tendencias, vac�os y oportunidades.

Adem�s, se elabor� un diagrama PRISMA 2020 para visualizar el flujo de documentos a lo largo de las fases del proceso de selecci�n. El diagrama incluye el n�mero de registros identificados en cada base de datos, los art�culos descartados en cada etapa, las razones de exclusi�n y los estudios incluidos finalmente en el an�lisis. Este elemento metodol�gico es esencial para asegurar la trazabilidad y legitimidad cient�fica del estudio, y forma parte de los est�ndares actuales para la publicaci�n de revisiones sistem�ticas en revistas de alto impacto.

 

Resultados

El diagrama PRISMA ilustra el proceso de identificaci�n, selecci�n, cribado y elegibilidad de los estudios incluidos en esta revisi�n sistem�tica sobre inteligencia artificial aplicada a la predicci�n de inundaciones. Inicialmente, se identificaron 1042 registros provenientes de tres bases de datos cient�ficas de alto impacto: Scopus, Web of Science (WoS) y ScienceDirect. En concreto, 489 documentos se recuperaron de Scopus, 348 de WoS y 205 de ScienceDirect, con el objetivo de organizar y filtrar eficientemente esta informaci�n, se utiliz� la plataforma Rayyan, especializada en revisiones sistem�ticas, que permiti� realizar el cribado doble ciego entre revisores, gestionar duplicados y acelerar el proceso de decisi�n.

Durante la primera fase de depuraci�n, 112 estudios duplicados fueron eliminados autom�ticamente por la plataforma. Adem�s, 418 registros fueron excluidos mediante herramientas automatizadas de Rayyan por no contener los t�rminos clave en el t�tulo, resumen o palabras clave, o por tratarse de art�culos fuera del enfoque tem�tico general. A esto se sumaron 12 art�culos adicionales que fueron descartados por motivos t�cnicos, como archivos incompletos, enlaces ca�dos o errores de indexaci�n.

Despu�s de este primer filtrado, 500 registros pasaron a la etapa de cribado manual por parte de dos revisores independientes. En esta etapa, se examinaron los t�tulos, res�menes y palabras clave de cada art�culo, aplicando estrictamente los criterios de inclusi�n definidos en el protocolo. Como resultado, 267 estudio fueron excluidos por no cumplir con el objetivo principal de la investigaci�n, ya que se enfocaban en sistemas de pron�stico meteorol�gico general, prevenci�n de desastres en t�rminos amplios, o usaban m�todos estad�sticos sin involucrar algoritmos de inteligencia artificial.

En la fase de evaluaci�n a texto completo, 233 art�culos fueron seleccionados para revisi�n integral. De ellos, se intent� recuperar la totalidad mediante acceso institucional, pero 11 no pudieron ser obtenidos debido a restricciones editoriales o problemas de acceso al texto completo, los 222 art�culos restantes fueron evaluados en profundidad. Esta etapa, se excluyeron 87 estudios que no utilizaron la inteligencia artificial como t�cnica principal para la predicci�n de inundaciones, sino como herramienta auxiliar en procesamiento de datos, validaci�n o representaci�n cartogr�fica. Asimismo, se destacaron 77 art�culos adicionales que, si bien abordaban la IA como t�cnica de an�lisis, se centraban en fen�menos hidrol�gicos distintos a las inundaciones, como sequ�as, movimientos en masa o escorrent�a difusa en zonas semi�ridas.

Como resultado de este proceso meticuloso de identificaci�n, cribado, evaluaci�n de elegibilidad y aplicaci�n de criterios rigurosos, se incluyeron finalmente 58 estudios cient�ficos en esta revisi�n en las bases de datos analizadas, est�n escritos en ingl�s o espa�ol, son art�culos originales revisado por pares y aplican al menos un algoritmo de inteligencia artificial orientado directamente a la predicci�n de inundaciones.

La implementaci�n del software Rayyan permiti� una gesti�n eficiente del proceso de cribado, redujo los tiempos de evaluaci�n y facilit� la trazabilidad del proceso de selecci�n. Su funci�n de revisi�n doble ciega y su sistema de resoluci�n de conflictos entre evaluadores fueron fundamentales para asegurar la transparencia y la coherencia metodol�gica del an�lisis. Esta estrategia no solo garantiz� la inclusi�n de estudios rigurosos y relevantes, sino que tambi�n fortaleci� la validez interna de los hallazgos bibliom�tricos y tem�ticos que se presentan en la siguiente secci�n.

 

 

 

 

 

 

 

 

Figura N� 1

Elaborado: Autora

 

El estudio realizado por Mosavi y otros (2018), representa uno de los primeros esfuerzos integradores en revisar y clasificar los modelos de aprendizaje autom�tico aplicados a la predicci�n de inundaciones. En este trabajo, los autores identifican que algoritmos como redes neuronales artificiales (ANN), m�quinas de soporte vectorial (SVM) y �rboles de decisi�n superan sistem�ticamente a los modelos hidrol�gicos tradicionales, gracias a su capacidad para manejar datos no lineales y aprender de patrones hist�ricos, estos modelos demostraron un mejor rendimiento en la predicci�n de caudales y niveles de agua. La revisi�n tambi�n resalta la importancia de seleccionar las variables de entrada adecuadas de disponer de conjuntos de datos confiables.

En el art�culo de Zhou y otros (2021), se presenta una innovadora propuesta basada en modelos h�bridos de machine learning para la predicci�n en tiempo real de inundaciones, mediante la fusi�n de datos satelitales y sensores in situ. El estudio integra redes neuronales profundas con datos de radar Doppler y mapas digitales de elevaci�n (DEM), alcanzando niveles de precisi�n superiores al 90% en eventos extremos simulados en el sur de China. Uno de los aportes m�s relevantes de esta investigaci�n es la incorporaci�n de datos de alta resoluci�n espacio-temporal para mejorar la capacidad anticipadora de los sistemas de alerta. Adem�s, el modelo desarrollado es capaz de adaptarse a diferentes cuencas fluviales con m�nimos ajustes.

Choubin y otros (2020), examinaron la eficacia de combinar m�ltiples algoritmos de clasificaci�n para estimar la susceptibilidad a inundaciones en Ir�n. Utilizando un enfoque de ensamblaje que incluye an�lisis discriminante, �rboles de decisi�n y m�quinas de soporte vectorial, los autores lograron generar mapas de riesgo con alto grado de sensibilidad y especificidad. Su estudio incorpora variables hidrol�gicas, geomorfol�gicas y de uso de suelo, mostrando c�mo la combinaci�n de t�cnicas mejora la robustez del modelo frente a la incertidumbre de los datos. Los autores sostienen que el enfoque multialgor�tmico puede ser replicado en otras regiones mediante ajustes m�nimos, representando un avance importante hacia sistemas de predicci�n m�s integrados y confiables.

En una aplicaci�n localizada en la India, Kaur y otros (2021), desarrollaron un modelo predictivo basado en redes neuronales artificiales (ANN) para estimar la altura del agua en tiempo real a partir de precipitaciones acumuladas.� El sistema fue entrenado con datos hist�ricos de 20 a�os en la cuenca del r�o Mahanadi, utilizando como entrada variables meteorol�gicas, topogr�ficas y de cobertura del suelo. El modelo alcanz� una exactitud de predicci�n del 95% y fue capaz de anticipar inundaciones con 6 horas de antelaci�n. Lo destacado de este estudio es que, a pesar de tratarse de una zona con limitaciones tecnol�gicas, el modelo fue implementado en una plataforma accesible a las autoridades locales, demostrando la viabilidad de la inteligencia incluso en contextos con infraestructura limitada.

El trabajo de Hu y otros (2022), propone un modelo h�brido CNN-GRU para la predicci�n de inundaciones urbanas en tiempo real, integrando el reconocimiento espacial de redes neuronales convolucionales (CNN) con la capacidad secuencial de unidades recurrentes (GRU). La investigaci�n, aplicada en la ciudad de Shenzhen, China, logr� predicciones con una precisi�n superior al 92% en eventos extremos. Los autores destacan que este modelo permite actualizarse constantemente a medida que ingresan nuevos datos, lo cual lo convierte en una herramienta din�mica y altamente eficaz en entornos urbanos densamente poblados. La posibilidad de entrenar el modelo con datos de m�ltiples or�genes permite su replicabilidad en otras ciudades expuestas al riesgo h�drico.

�Por su parte, Yaseen y otros (2015), desarrollaron un modelo de �Extreme Learning Machine� (ELM) para predecir el caudal de r�os en Malasia. Su estudio demuestra que este tipo de red neuronal de entrenamiento ultrarr�pido supera en rendimiento y el tiempo de procesamiento a t�cnicas tradicionales como el MLP (perceptr�n multicapa) y la regresi�n lineal m�ltiple. El modelo fue validado con datos del r�o Kelantan y mostr� altos niveles de correlaci�n entre valores observados y predichos, con errores cuadr�ticos medios reducidos en comparaci�n con otros m�todos. Este estudio reafirma la eficiencia de modelos ligeros, especialmente �tiles en contextos donde la capacidad de c�mputo es limitada o se requiere una respuesta r�pida.

En Am�rica Latina, da Silva y otros (2023), analizaron la aplicaci�n de redes neuronales para predecir la ocurrencia de inundaciones en zonas urbanas del noreste de Brasil. El modelo ANN fue entrenado con datos de precipitaci�n, densidad de edificaciones y tipo de drenaje urbano, logrando resultados prometedores en la ciudad de Recife. Uno de los aportes del estudio fue la incorporaci�n de variables socio territoriales como densidad poblacional y nivel socioecon�mico, que influyen en la exposici�n y vulnerabilidad. La investigaci�n demuestra que la inteligencia artificial no solo puede modelar datos f�sicos, sino tambi�n integrar dimensiones sociales para una predicci�n m�s contextualizada y orientada a la planificaci�n territorial inclusiva.

Luo y otros (2020), presentaron una arquitectura basada en redes neuronales convolucionales aplicadas a datos de radar meteorol�gico para mejorar la predicci�n espacio temporal de lluvias intensas en cuencas urbanas. El modelo fue probado en la ciudad de Wuhan, donde se observ� una mejora respecto a los modelos tradicionales, especialmente en la detecci�n de picos de precipitaci�n. La principal innovaci�n fue el uso de capas convolucionales para extraer caracter�sticas relevantes del espacio geogr�fico, lo que, de visualizaci�n para la toma de decisiones en tiempo real, lo que convierte esta propuesta en una herramienta pr�ctica para autoridades locales.

En su investigaci�n, Pham y otros (2021), aplicaron t�cnicas de aprendizaje profundo combinadas con informaci�n multifuente para predecir zonas propensas a inundaciones en Vietnam. Utilizaron una red neuronal multicapa alimentada con datos topogr�ficos, clim�ticos, de uso del suelo y de cobertura vegetal. El modelo alcanz� una precisi�n del 94%, superando ampliamente m�todos basados en l�gica difusa o an�lisis geoespacial cl�sico. El art�culo resalta la importancia de incorporar enfoques multifuente, ya que los factores que desencadenan una inundaci�n pueden ser tanto naturales como antropog�nicos. Adem�s, se propone la integraci�n del modelo con plataformas de alerta temprana comunitaria para reducir vulnerabilidades sociales.

Khosravi y otros (2021), propusieron una metodolog�a basada en ensamblaje de algoritmos utilizando Random Forest, XGBoost y Gradient Boosting Machines para mejorar la predicci�n de zonas de riesgo de inundaci�n. Este enfoque se aplic� a datos de cuencas hidrogr�ficas del oeste de Ir�n y mostr� que el modelo combinado presentaba mayor capacidad predictiva que los algoritmos individuales. Los autores argumentan que este tipo de ensamblajes permite reducir el error de generalizaci�n y adaptarse mejor a escenarios con valores at�picos y a errores de medici�n en los datos de entrada.

En el trabajo de Chen y otros (2022), se desarroll� un modelo h�brido CNN-LSTM para predecir inundaciones fluviales en la regi�n del delta del Mekong. Esta propuesta destaca por integrar la capacidad espacial de las redes convolucionales con la habilidad de redes LSTM para modelar series temporales. El estudio mostr� que el modelo es capaz de anticipar picos de caudal con hasta 24 horas de antelaci�n, manteniendo errores absolutos inferiores al 5%. La aplicaci�n del modelo en una zona de alta variabilidad clim�tica demostr� su robustez frente a cambios bruscos en precipitaci�n y nivel fre�tico. Adem�s, el sistema fue evaluado en condiciones de escasez de datos, mostrando buena generalizaci�n con pocos datos hist�ricos.

Se evidencia que, el predominio de las redes neuronales artificiales (ANN) como t�cnica principal en m�s del 60% de los estudios incluidos. Este algoritmo ha sido especialmente �til en regiones tropicales y asi�ticas, como India, China y Bangladesh, donde la variabilidad clim�tica y la alta densidad poblacional aumentan el riesgo de inundaciones repentinas. Las ANN han demostrado capacidad para modelar relaciones no lineales entre variables hidrometeorol�gicas y anticipar niveles de caudal con una anticipaci�n de hasta 6 horas con alta precisi�n (Rahmati y otros, 2021) Adem�s, en estudios recientes se ha reportado que su desempe�o mejora sustancialmente cuando se integran con t�cnicas de optimizaci�n como PSO (Particle Swarm Optimization) o algoritmos gen�ticos (Gupta y otros, 2022).

Finalmente, Saha y otros (2023), implementaron una red neuronal de retro propagaci�n (BPNN) para la predicci�n de niveles de agua en tiempo real en el delta del Ganges � Brahmaputra. Utilizando datos hist�ricos de estaciones hidrom�tricas y meteorol�gicas, el modelo logr� identificar patrones de crecida en zonas altamente vulnerables de Bangladesh. Los resultados mostraron una mejora del 18% en la exactitud respecto a modelos hidrol�gicos cl�sicos. Una contribuci�n relevante del estudio fue el dise�o de una interfaz m�vil para comunicar los niveles predichos a comunidades locales, lo que refuerza el v�nculo entre IA y acci�n temprana en contextos de alta exposici�n al riesgo.

 

Discusi�n

Los hallazgos de esta revisi�n sistem�tica y bibliom�trica revelan una tendencia creciente en la aplicaci�n de algoritmos de inteligencia artificial (IA) para la predicci�n de inundaciones, especialmente a partir del a�o 2020. Esta expansi�n puede explicarme por el aumento en la disponibilidad de datos hidrometeorol�gicos en tiempo real, el avance de las plataformas de c�digo abierto y la mayor accesibilidad a capacidades computacionales en la nube. Los estudios m�s citados demuestran una clara preferencia por modelos h�bridos que combinan redes neuronales, algoritmos de optimizaci�n y m�todos estad�sticos, como los propuestos por Zhou y otros (2021)y da Silva y otros (2023), lo que evidencia una evoluci�n metodol�gica en la comunidad cient�fica orientada a mejorar la precisi�n y la adaptabilidad de los modelos predictivos.

Adem�s, se constat� una concentraci�n geogr�fica en la producci�n cient�fica, liderada por pa�ses como China, India, Ir�n y Brasil, donde los eventos hidrometereol�gicos extremos se han intensificado en frecuencia e impacto. Esta concentraci�n tambi�n responde al inter�s de estas regiones en fortalecer sus capacidades t�cnicas frente al riesgo de desastres, promoviendo investigaciones orientadas a contextos espec�ficos y a escalas locales (Pham y otros, 2021). No obstante, a�n existe una brecha importante en la producci�n proveniente de pa�ses andinos y del �frica subsahariana, a pesar de su alta vulnerabilidad a eventos de inundaci�n, lo cual plantea la necesidad de fomentar redes de cooperaci�n internacional que permitan una transferencia de tecnolog�a y conocimiento m�s equitativa (Mosavi y otros, 2018).

Los modelos basados en redes neuronales artificiales (ANN), m�quinas de soporte vectorial (SVM) y �rboles de decisi�n contin�an siendo ampliamente utilizados, debido a su capacidad para identificar patrones no lineales y trabajar con datos incompletos o ruidosos. Sin embargo, en los �ltimos cinco a�os se ha observado un aumento del uso de arquitecturas m�s complejas como las redes neuronales convolucionales (CNN), las redes recurrentes (RNN) y los modelos LTSM, especialmente en estudios con series temporales y datos multivariados. Estas t�cnicas permiten capturar de manera m�s robusta la din�mica espacio temporal de los sistemas h�dricos, aunque requieren mayor potencia computacional y experiencia en programaci�n, lo que podr�a limitar su implementaci�n en instituciones locales con recursos t�cnicos reducidos.

El an�lisis bibliom�trico muestra tambi�n que las revistas con mayor impacto en esta tem�tica, como Journal of Hydrology, Remote Sensing y Enviromental Modelling & Software, ha incrementado a la publicaci�n de art�culos aplicados al uso de IA en el �mbito de la hidrolog�a. Este fen�meno responde tanto al avance t�cnico como a la urgencia global por desarrollar soluciones innovadoras frente a las problem�ticas del cambio clim�tico. No obstante, a pesar del volumen creciente de publicaciones, muchos estudios carecen de validaciones cruzadas robustas o de evaluaciones comparativas entre diferentes algoritmos, lo que limita la generalizaci�n de los resultados y su aplicabilidad a otros contextos geogr�ficos (Khosravi y otros, 2021).

Un aspecto relevante encontrando en esta revisi�n es la incorporaci�n progresiva de variables socioecon�micas y de indicadores de vulnerabilidad en los modelos predictivos, como lo demuestra el estudio de da Silva y otros (2023), que integr� datos sobre asentamientos informales y niveles de exposici�n poblacional. Este tipo de enfoques multidimensionales son esenciales para avanzar hacia modelos m�s integrales, capaces de informar no solo sobre la probabilidad de ocurrencia de una inundaci�n, sino tambi�n sobre su posible impacto en comunidades espec�ficas. Sin embargo, todav�a son escasos los estudios que logran integrar dimensiones ambientales, hidrol�gicas y sociales de forma simult�nea.

Finalmente, la aplicaci�n del protocolo PRISMA 2020 permiti� garantizar un proceso sistem�tico y transparente en la selecci�n y an�lisis de los art�culos, y el uso de un enfoque bibliom�trico aport� a tres bases de datos cient�ficas (Scopus, Web of Science y ScienceDirect), lo que pudo haber excluido investigaciones relevantes publicadas en idiomas distintos del ingl�s o en revistas de menor visibilidad. Tambi�n es importante destacar que, si bien se identificaron los algoritmos m�s utilizados y los pa�ses m�s productivos, a�n se requiere avanzar en la evaluaci�n de impactos reales que estos modelos tienen en la toma de decisiones y en la reducci�n efectiva del riesgo.

 

Conclusiones

• La presente revisi�n sistem�tica evidencia un crecimiento sostenido y esencial de la investigaci�n cient�fica sobre la aplicaci�n de algoritmos de inteligencia artificial (IA) para la predicci�n de inundaciones durante el per�odo 2020 � 2025. El an�lisis de los 58 estudios incluidos demuestra que los modelos de aprendizaje autom�tico, como redes neuronales artificiales, m�quinas de soporte vectorial, �rboles de decisi�n y arquitecturas h�bridas, han sido ampliamente adoptados en escenarios hidrol�gicos diversos, mostrando altos niveles de precisi�n y capacidad adaptativa frente a fen�menos clim�ticos extremos.
• Una de las principales fortalezas de estos enfoques es su habilidad para trabajar con grandes vol�menes de datos heterog�neos incluyendo series temporales, im�genes satelitales y sensores remotos sin necesidad de supuestos r�gidos, lo cual contrasta con las limitaciones de los modelos hidrol�gicos tradicionales. Adem�s, el uso de herramientas computacionales como la computaci�n en la nube y plataformas de c�digo abierto ha democratizado el acceso a estos m�todos, facilitando su implementaci�n en contextos locales, especialmente en regiones vulnerables al cambio clim�tico.
• Asimismo, la revisi�n permite identificar que, aunque se han documentado avances en la precisi�n predictiva de los modelos de IA, existe a�n escasa estandarizaci�n en la selecci�n de algoritmos, m�tricas de evaluaci�n y validaci�n cruzada entre estudios, lo que dificulta la comparabilidad y transferencia tecnol�gica entre territorios. Esta carencia sugiere la necesidad de promover marcos metodol�gicos m�s s�lidos y replicables que articules la investigaci�n cient�fica con la gesti�n pr�ctica del riesgo de inundaciones.

Finalmente, esta revisi�n contribuye al fortalecimiento del v�nculo entre ciencia y pol�tica p�blica al proveer una s�ntesis clara de los avances actuales, principales actores cient�ficos y vac�os tem�ticos que pueden orientar nuevas agendas. La inteligencia artificial, utilizada de manera �tica y contextualizada, se consolida como una herramienta estrat�gica para anticipar desastres hidrol�gicos, reducir impactos sociales y econ�micos y construir territorios m�s resilientes frente a la emergencia clim�tica global.

Referencias

1.�������� Asif, M., Li, X., Rana, M., & Shah, M. A. (2025). A hybrid deep learning ensemble for real-time flood prediction using LSTM, CNN, and Random Forest. Environmental Modelling & Software, 167, 106537. https://doi.org/https://doi.org/10.1016/j.envsoft.2024.106537

2.�������� Banco Mundial. (2022). Flood risk management: A strategic approach. https://www.worldbank.org/en/topic/waterresourcesmanagement/publication/flood-risk-management-a-strategic-approach

3.�������� Beven, K. (2012). Rainfall-runoff modelling: The primer (2nd ed.). Wiley-Blackwell.

4.�������� Chen, X., Li, Y., & Wang, J. (2022). A hybrid CNN LSTM model for river flood forecasting in the Mekong Delta. Water Resources Management, 36(5), 1010�1025.

5.�������� Choubin, B., Moradi, E., Golshan, M., Bahri, M., & Alizadeh, S. (2020). An ensemble prediction of flood susceptibility using multivariate discriminant analysis, classification and regression trees, and support vector machines. Science of the Total Environment, 651, 2087�2096. https://doi.org/https://doi.org/10.1016/j.scitotenv.2018.09.236

6.�������� da Silva, M. F., Souza, R. C., & Oliveira, L. A. (2023). Neural network based urban flood prediction integrating social vulnerability indicators in Recife, Brazil. Journal of Environmental Management, 330, 117015.

7.�������� Elmahdi, A., Salem, H., & Ben Said, S. (2023). Post-disaster flood damage assessment using machine learning and satellite data: A case study from Derna, Libya. Natural Hazards, 117, 351�374. https://doi.org/https://doi.org/10.1007/s11069-023-06044-0

8.�������� Gupta, R., Singh, S., & Kumar, P. (2022). Optimization of neural network�based flood forecasting models using PSO and genetic algorithms. Hydrology Research, 53(1), 58�72. https://doi.org/https://doi.org/10.2166/nh.2022.089

9.�������� Hu, H., Zhang, W., Wang, L., & Chen, H. (2022). A hybrid CNN�GRU model for real-time flood forecasting. Water Resources Management, 36(1), 99�116. https://doi.org/https://doi.org/10.1007/s11269-021-02973-7

10.������ IPCC. (2021). Sixth Assessment Report: Climate Change 2021 � The Physical Science Basis. Cambridge University Press: https://www.ipcc.ch/report/ar6/wg1/

11.������ Kaur, J., Singh, R., & Kumar, A. (2021). Real time flood prediction using ANN: A case study of the Mahanadi River. International Journal of Hydrology Science and Technology, 11(4), 275�291.

12.������ Khosravi, K., Kashani, F., & Ghaemi, S. (2021). Flood risk mapping using ensemble machine learning algorithms in Iran. Environmental Research Communications, 3(2), 025012.

13.������ Kumar, V., Yadav, R., & Singh, A. (2024). Explainable AI approaches for flood forecasting using attention-based LSTM models. Journal of Hydrology, 628, 130289. https://doi.org/https://doi.org/10.1016/j.jhydrol.2023.130289

14.������ Lee, H., Nguyen, Q. T., & Kim, S. (2025). Flood mapping using GeoAI and multi-sensor fusion: Combining Sentinel-1, Sentinel-2 and DEM with vision transformers. Remote Sensing of Environment, 310, 113042. https://doi.org/https://doi.org/10.1016/j.rse.2025.113042

15.������ Luo, Y., Zhang, X., & Liu, J. (2020). Convolutional neural network for precipitation induced urban flood risk mapping. Journal of Hydrology, 586, 124826.

16.������ Mosavi, A., Ozturk, P., & Chau, K. W. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11), 1536. https://doi.org/ https://doi.org/10.3390/w10111536

17.������ Nguemeni , K. J., Tchatchoua, R., & Tassi, R. (2024). Application of recurrent neural networks to flood forecasting in Sub-Saharan Africa: The case of the Mayo Tsanaga basin in Cameroon. Hydrology Research, 55(2), 202�215. https://doi.org/ https://doi.org/10.2166/nh.2024.015

18.������ Nie, L., Chen, Y., & Zhang, D. (2023). All-day cloud property and occurrence probability dataset based on satellite remote sensing data. Scientific Data, 10, 387. https://doi.org/https://doi.org/10.1038/s41597-023-02311-1

19.������ Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, 71. https://doi.org/https://doi.org/10.1136/bmj.n71

20.������ Pham, T. H., Tran, N. M., & Nguyen, H. V. (2021). Multisource deep learning for flood susceptibility mapping in a tropical region. Remote Sensing, 13(9), 1753.

21.������ Rahmati, O., Omidvar, E., Choubin, B., & Kisi, O. (2021). Comparative assessment of data-driven approaches for flood modeling using ANNs, SVMs, and DTs. Journal of Hydrology, 593, 125935. https://doi.org/https://doi.org/10.1016/j.jhydrol.2020.125935

22.������ Saha, P., Roy, S., & Dutta, D. (2023). BP neural network for river water level forecasting in the Ganges Brahmaputra delta. Hydrology Research, 54(2), 188�204.

23.������ Smith, J. A., Ramesh, A., & Taylor, J. R. (2024). DRUM: A diffusion-based runoff model using generative AI for continental-scale flood prediction. Scientific Reports, 14, 9921. https://doi.org/ https://doi.org/10.1038/s41598-024-20932-8

24.������ Yaseen, Z. M., El shafie, A., Jaafar, O., & Afan, H. (2015). Application of extreme learning machine model for river flow forecasting: A case study in Malaysia. Journal of Hydrology, 536, 287�299. https://doi.org/https://doi.org/10.1016/j.jhydrol.2016.02.014

25.������ Zhou, J., Li, H., Ma, Y., Wang, J., & Chen, X. (2021). Integrated machine learning models for real-time flood forecasting based on spatiotemporal data fusion. Environmental Modelling & Software, 142, 105063. https://doi.org/https://doi.org/10.1016/j.envsoft.2021.105063

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).