Sociedad

Más de la mitad de los ríos de la Tierra son estacionales

Una nueva investigación sugiere que la mayoría de los cursos de agua de nuestro planeta se secan al menos un día al año.

Los colores de este mapa representan la probabilidad de que un curso de agua sea permanente: el color azul significa “seguro que tiene agua todo el año” y el color rojo, “seguro que se seca al menos un día al año”. Los colores intermedios representan cuencas y cauces con más incertidumbre.
Los colores de este mapa representan la probabilidad de que un curso de agua sea permanente: el color azul significa “seguro que tiene agua todo el año” y el color rojo, “seguro que se seca al menos un día al año”. Los colores intermedios representan cuencas y cauces con más incertidumbre.Mathis Messager et al. (Nature)

Pensad en un río. Es probable que la imagen que os haya venido a la cabeza sea la de un curso de agua fluyendo hacia el mar. Es posible incluso que tuviera bastante caudal. Poca gente, al pensar en un río, visualiza un cauce seco. El matiz de que el cauce puede estar seco varios meses al año y lleno de agua sólo durante la época de lluvias seguramente se escape a nuestro primer pensamiento. Y, sin embargo, ése parece ser el estado más habitual de los cursos de agua en nuestro planeta: dependiente de las lluvias, del deshielo y de los meses fríos en que el agua se congela. Un estudio publicado en Nature por investigadores de tres continentes encuentra que más del 51% de los cursos de agua de la Tierra están secos al menos un día al año, y más del 44% se secan durante al menos un mes al año.

Esto no tiene nada que ver con el cambio climático: simplemente, este estudio incluye los cauces de montaña, los torrentes de regiones áridas y otros cursos de agua que, de forma natural, no disponen de agua durante todo el año. Es la primera vez que se intenta hacer un recuento de estos “ríos, pero sólo a veces”, y han resultado ser mayoría por un estrecho margen. Esto no debería resultarnos muy sorprendente: el léxico castellano está lleno de palabras para referirse a cursos de agua no permanente, desde rambla hasta barranco o torrentera. Según el artículo de Mathis Messager y colaboradores la mayoría de estos ríos estacionales son muy modestos, casi riachuelos, y se encuentran, lógicamente, en regiones muy secas, en regiones muy frías o en zonas de alta montaña.

Pero ¿cómo se hace para evaluar todos y cada uno de los cursos de agua de nuestro planeta? ¿Es acaso tecnológicamente posible? ¿Tendría sentido invertir en ello los recursos necesarios? No, desde luego que no. Si quisiéramos hacer este estudio “a lo bruto” tendríamos que instalar un medidor de caudal en cada uno de los torrentes de la Tierra, desde el Himalaya a los atolones del Pacífico. Es evidente que eso no es posible. Una estrategia un poco más fina sería monitorizar los cursos de agua mediante imágenes de satélite, pero como los autores señalan en el artículo eso tampoco es posible: las nubes impedirán ver muchos cauces durante parte del año, y algunos estarán permanentemente ocultos bajo la vegetación. ¿Cómo se puede, pues, estudiar la red fluvial con este nivel de detalle?

Messager y colaboradores han recurrido a una estrategia que les permite exprimir al máximo los datos incompletos de que disponemos: han entrenado a un algoritmo de machine learning para que prediga, a partir de las propiedades del terreno, cuál es la probabilidad de que un curso de agua se seque durante algunos días al año. Esencialmente, se trata de tomar los ríos y cauces para los que sí tenemos medidas de caudal y relacionar parámetros como el desnivel del terreno o las temperaturas medias con la posibilidad de que ese río se seque. Con esa información podemos acudir a ríos que no sabemos si se secan, pero sí sabemos el desnivel y la temperatura media, y preguntarle a nuestro algoritmo ¿se secará este río en algún momento del año?

Los resultados los podemos ver en el mapa con el que empieza el artículo. Los colores azules representan zonas en las que el algoritmo cree que es más probable que haya un río permanente, y los colores anaranjados y rojos, donde es más probable que haya un cauce estacional. Como vemos, los cauces estacionales son muy abundantes en la India, Australia, el centro de los Estados Unidos y Sudáfrica, mientras que las zonas ecuatoriales, el sur de China y casi toda Europa son regiones en las que el algoritmo predice cauces permanentes. España cae justo en la zona de transición: de ríos permanentes y bien alimentados en el norte a regiones donde parece probable que haya ríos estacionales, en el sur.

El algoritmo no sólo predice la estacionalidad de los ríos, sino que también nos informa de qué características del terreno son más importantes a la hora de decidirlo. Aunque participan literalmente decenas de variables, las más importantes son la aridez de la zona por donde discurre el río, el contenido de agua del subsuelo y las temperaturas de la región. Todas ellas propiedades bastante lógicas, aunque el truco del algoritmo está en saber integrarlas de la forma adecuada para predecir el comportamiento de los ríos.

Así pues, este trabajo es un primer paso en la dirección de poder estudiar la dinámica de los ríos de zonas inaccesibles y en las que es difícil tomar datos sobre el terreno. Desde luego, la forma más fiable de saber si un río es estacional es observarlo durante varios años, pero métodos como éste nos proporcionan una primera aproximación que luego se puede refinar con medidas in situ. También nos muestra un planeta ligeramente diferente al que imaginamos: azul, efectivamente, pero con ese agua distribuida de forma irregular, de forma que unos pocos grandes cauces llevan agua todo el año, y una gran cantidad de cauces pequeños pasan secos al menos algunos días cada año.

QUE NO TE LA CUELEN

  • Es importante recordar que este mapa está hecho con las predicciones de un algoritmo de aprendizaje automático, y por lo tanto no representa propiamente la realidad, sino lo que inferimos sobre ella a partir de los datos incompletos que tenemos. El algoritmo, por ejemplo, es muy sensible a la falta de datos: en África, donde hay pocas estaciones de medida y a veces separadas por miles de kilómetros, la precisión de la predicción es menor. Podríamos decir que el algoritmo “no conoce África lo suficiente” como para hacer una buena predicción sobre ella.

REFERENCIAS