Vivo en Sri Lanka y hace pocas semanas sufrimos uno de los episodios de inundaciones más graves en décadas. Resido en Kaduwela, un municipio cercano a Colombo que puede inundarse aun cuando no llueve en el lugar, porque el río Kelani pasa muy cerca. Lluvias intensas en la cuenca alta del Kelani pueden provocar avenidas de agua que llegan rápido a las áreas ribereñas bajas. Entre el 27 y el 29 de noviembre de 2025, el ciclón Ditwah se acercó a la isla y tocó tierra el 28 de noviembre provocando precipitaciones extremadamente fuertes. Muchas áreas de la cuenca alta superaron los 200 mm en 24 horas y los embalses y tramos del río se saturaron, obligando grandes volúmenes de agua a descender hacia Glencourse, Hanwella, Kaduwela y finalmente Colombo, generando desbordes, deslizamientos e inundaciones generalizadas.
En nuestro caso local comenzamos a notar el efecto sobre el 29 de noviembre. Aunque ya había inundaciones por el ciclón, la situación empeoró hora a hora por la lluvia continua en los tramos altos del Kelani. Se esperaba que Colombo sufriera su peor episodio en décadas; eventos significativos habían ocurrido en 1989 y 2016 y los pronósticos apuntaban a un episodio incluso más severo. Afortunadamente nuestra zona no se inundó en 1989 ni en 2016, pero seguía siendo muy vulnerable: vías anegadas, rutas de salida bloqueadas y cortes de movilidad sin que necesariamente entrara agua en las viviendas.
Ante la avalancha de boletines y cobertura informativa decidí buscar una forma más científica y basada en datos para estimar el riesgo real de inundación. Las preguntas clave eran cuándo llegaría la peor inundación a nuestra zona, cuándo disminuiría el riesgo y si el agua alcanzaría mi casa. En nuestro caso el riesgo venía principalmente río abajo, por lo que bastaba entender cuándo el pulso de agua viajaría desde las áreas altas hacia Colombo.
El camino crítico del río Kelani que seguí para el análisis fue Kithulgala, Glencourse, Hanwella, Kaduwela y Nagalagam Street en Colombo. Toda la lluvia que cae en las partes altas fluye por esa ruta y cualquier aumento significativo en los niveles aguas arriba repercute en los puntos intermedios y finalmente en la ciudad. Encontré lecturas de estaciones en tiempo real y datos oficiales en la web de la autoridad meteorológica y de gestión de desastres local, y con esos valores pude modelar la progresión del evento.
Con ese entendimiento construí rápidamente una aplicación generativa de IA para estimar cuándo la crecida podría afectar Colombo y Kaduwela. Utilicé AWS PartyRock para crear la aplicación, y diseñé un flujo que toma las últimas lecturas, las compara con los picos históricos de 2016, calcula la diferencia, estima niveles en Kaduwela mediante un proxy basado en Hanwella y modela el desfase temporal entre estaciones para estimar picos y resoluciones.
Los pasos principales que integré en la app fueron: extraer lecturas más recientes en Kithulgala, Glencourse, Hanwella y Nagalagam Street; comparar con los máximos de 2016 para cuantificar la severidad; interpolar niveles para Kaduwela por ser estación no instrumentada en tiempo real; y aplicar principios hidrológicos para estimar tiempos de llegada y remisión de la crecida. También incorporé factores geográficos como distancia entre estaciones, pendiente del río, tamaño de cuenca y velocidad de flujo para afinar las predicciones de tiempo y altura.
Con esa entrada la app genera una tabla resumida con cada estación en orden corriente abajo y columnas con nivel máximo 2016, nivel actual, diferencia frente a 2016, estado actual, tendencia, si el pico ya pasó o aun viene y riesgo nuevo. Esa información se traduce en un párrafo de resumen que explica la cascada temporal, zonas de riesgo residual, amenazas secundarias como deslizamientos y aguas contaminadas, y recomendaciones prácticas de seguridad priorizando las áreas con mayor tiempo de drenaje.
Para evaluar el riesgo puntual en mi casa añadí un análisis basado en ubicación. Proporcioné al sistema dos puntos de referencia a lo largo del río con coordenadas, niveles actuales y elevaciones, y la posición y elevación exacta de la vivienda. El modelo calculó proximidad, interpoló niveles según la topografía, estimó la profundidad probable del agua en el lugar restando la elevación de la casa al nivel proyectado y asignó un semáforo de riesgo verde, ámbar o rojo con recomendaciones para actuar, tiempos de evacuación y montaje de barreras temporales.
Ventajas de este enfoque incluyen evaluaciones personalizadas por vivienda, anticipación de picos para ganar tiempo de preparación y la tranquilidad de tomar decisiones basadas en datos reales aguas arriba. Entre las limitaciones están la precisión dependiente de proxies y aproximaciones, cobertura puntual en lugar de panorámica y la posibilidad de cambios repentinos en lluvia o aportes aguas arriba que el modelo no detecte si no se actualiza continuamente.
Este prototipo puede evolucionar hacia un sistema público donde cualquier persona comparta su ubicación de Google Maps y reciba automáticamente su riesgo de inundación. Integrando previsiones meteorológicas, modelos hidrológicos más sofisticados y más estaciones en tiempo real se pueden obtener predicciones más robustas. También es posible añadir agentes IA para alertas automáticas y paneles de control con Power BI y servicios de inteligencia de negocio que faciliten la toma de decisiones a autoridades y empresas.
En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones tecnológicas que cubren desde software a medida y aplicaciones a medida hasta inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos servicios cloud AWS y Azure integrados con soluciones de IA para empresas, desarrollo de agentes IA y automatización. Si buscas llevar este tipo de proyectos al siguiente nivel podemos ayudarte con arquitectura, desarrollo full stack, integración con servicios en la nube y despliegues seguros. Conecta nuestras capacidades de nube y machine learning a través de nuestra oferta de inteligencia artificial para empresas y obtén una solución escalable y segura.
Si te interesa que transformemos esta idea en un servicio operativo para comunidades, municipios o empresas, en Q2BSTUDIO diseñamos desde aplicaciones a medida hasta plataformas completas con ciberseguridad, pentesting y despliegue en la nube para garantizar disponibilidad y resiliencia en emergencias. Contáctanos para explorar cómo un sistema de predicción de inundaciones basado en IA puede integrarse en tus operaciones y mejorar la toma de decisiones ante eventos extremos.
Palabras clave integradas para posicionamiento SEO: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.