¿Como podemos medir la lluvia utilizando antenas de telecomunicaciones? 

La lluvia forma parte de nuestra vida cotidiana, pero también es un elemento clave para la agricultura, la gestión del agua, la prevención de inundaciones y el estudio del cambio climático. Saber cuánto llueve, dónde y cuándo, es fundamental para tomar decisiones informadas en muchas áreas. Para medir la precipitación lo más habitual es el uso de estaciones meteorológicas o de radares meteorológicos.

Sin embargo, la distribución de los pluviómetros puede ser limitada o inexistente en algunas zonas del mundo, al igual que el área cubierta por los radares meteorológicos. Por ello es interesante obtener otras fuentes de medición de la precipitación alternativas. De cara a solucionar estas limitaciones de los métodos tradicionales, en Meteoclim hemos desarrollado y aplicado algoritmos para estimar la precipitación a partir de las señales de torres de telecomunicaciones para crear una red de pluviómetros virtuales que permite tener datos de lluvia en tiempo real y a una resolución a nivel de calle.   

Cuando llueve, las gotas de agua interfieren con las señales de microondas que se transmiten entre antenas de telefonía móvil y la señal se atenúa al atravesar la lluvia. Cuanto más intensa es la lluvia, mayor es la atenuación. Aprovechando este principio físico, es posible estimar cuánta lluvia cae analizando cuánto se ha debilitado la señal entre dos torres. Este método convierte una infraestructura ya existente (la red móvil) en una herramienta útil para observar la lluvia de forma continua y en tiempo real. 

El cálculo de la precipitación utilizando las señales de los radioenlaces no es un proceso trivial. Aunque la atenuación de la señal suele estar relacionada con la intensidad de la lluvia, no toda atenuación es debida a la lluvia. Existen otros fenómenos atmosféricos que también afectan a la señal y pueden llevar a falsas detecciones de lluvia. 

Uno de los principales problemas es la condensación de agua sobre las antenas, especialmente durante las primeras horas del día, cuando el rocío se acumula en las superficies frías. Otro fenómeno común es la presencia de niebla densa entre las dos antenas del radioenlace. Ambos casos provocan que la señal se debilite, y los algoritmos pueden detectar una lluvia que no es real. 

Este tipo de interferencias representan un desafío importante para los métodos tradicionales de estimación de lluvia, que no son capaces de distinguir entre una atenuación causada por precipitación real y otra provocada por humedad ambiental. La consecuencia es que se sobreestima la cantidad de lluvia, lo que puede afectar negativamente a estudios meteorológicos, modelos hidrológicos y sistemas de alerta temprana. 

Nuestra solución basada en inteligencia artificial

La clave para distinguir entre lluvia real y rocío o niebla es la forma de la atenuación de la señal: cuando llueve, generalmente se observa una caída súbita de potencia de la señal, mientras que cuando aparece niebla o condensación la caída es mucho más suave porque estos fenómenos se forman de manera más progresiva que la lluvia.  

A continuación se muestra un ejemplo de serie temporal de potencias de un radioenlace entre los días 3 y 6 de diciembre de 2024. Se muestran las potencias máxima, media y mínima (gráfico superior) y nuestro cálculo de la lluvia a partir de la señal (PV acc) comparado con los datos de la estación meteorológica más cercana al radioenlace (Station acc) y datos de radar meteorológico (Radar acc).

Se ha marcado en rojo una lluvia falsa (Dew, rocío en inglés) causada por una atenuación de la señal debido a rocío o niebla. A su derecha muestran lluvias reales durante el día 5, y se puede ver como nuestro algoritmo de cálculo de precipitación es muy parecido a los datos de radar y estación meteorológica.

La clave para detectar y clasificar la lluvia falsa, provocada por fenómenos como la condensación o la niebla, está en analizar con detalle la forma en que cae la potencia de la señal y cómo se calcula la lluvia a partir de ella. Estas falsas precipitaciones tienen patrones diferentes a la lluvia real, pero pueden ser difíciles de distinguir con métodos tradicionales, por ello se ha recurrido a técnicas de inteligencia artificial.

Los algoritmos de inteligencia artificial de redes neuronales son especialmente útiles para detectar patrones. De manera resumida, una red neuronal es un sistema inspirado en el funcionamiento del cerebro humano, formado por muchas “neuronas” artificiales interconectadas. Estas redes pueden aprender a partir de ejemplos, identificando patrones complejos que serían muy difíciles de reconocer con métodos tradicionales. Durante un proceso llamado entrenamiento, la red ajusta sus conexiones internas para mejorar sus predicciones o clasificaciones, lo que le permite tomar decisiones cada vez más acertadas. 

Para que nuestra red neuronal aprenda a detectar lluvias falsas, se le introdujeron una gran cantidad de series temporales con los errores previamente marcados. De esta manera, la IA ha sido capaz de aprender de los ejemplos reales, reconociendo los patrones específicos que indican falsas precipitaciones causadas por condensación o niebla. Actualmente somos capaces de detectar aproximadamente el 95% de lluvias falsas, y esperamos aumentar la precisión en el futuro con la incorporación de nuevos datos en el futuro para que la IA mejore. 

A medida que se le presentan más datos, la red mejora continuamente su capacidad para distinguir entre lluvia verdadera y falsas señales, aumentando la precisión y reduciendo los errores en las estimaciones de precipitación. Este proceso de aprendizaje supervisado es fundamental para que la inteligencia artificial pueda adaptarse a las variaciones y particularidades de los diferentes escenarios atmosféricos. 

A continuación se muestra un ejemplo del funcionamiento de la red neuronal aplicado a la serie temporal de un mes de un radioenlace. Al modelo se le introducen los datos de la señal del radioenlace y detecta automáticamente los errores. En el gráfico se han marcado en rojo, y coinciden perfectamente con la precipitación errónea. A parte del patrón característico, se ve que es lluvia falsa porque tanto la estación meteorológica como el radar no han detectado lluvia.  

Conclusiones

El desarrollo y aplicación de nuestros modelos de inteligencia artificial representan una mejora significativa respecto a los algoritmos tradicionales utilizados para la estimación de lluvia a partir de las potencias de los radioenlaces. Además, estos modelos no solo permiten una estimación más precisa de la lluvia, sino que también habilitan la detección y clasificación de otros fenómenos meteorológicos relevantes, como el rocío o la niebla. 

Con el objetivo de llevar estos avances al ámbito operativo, se ha desarrollado una versión del modelo capaz de funcionar en tiempo real. Para ello, se ha adaptado el modelo para que sea capaz de procesar ventanas de datos de 24 horas, permitiendo que el modelo reciba y procese los datos de manera secuencial a medida que se generan. Esta adaptación permite integrar el sistema en infraestructuras de monitorización continua, abriendo la puerta a aplicaciones prácticas como alertas tempranas o seguimiento meteorológico en directo. 

Referencias

• Blog Meteoclim: Programa de investigación ENTROPY WEATHER para transformar las redes de telecomunicaciones en redes de observación meteorológica
• Zhang, Peng & Liu, Xichuan & Pu, Kang. (2023). Precipitation Monitoring Using Commercial Microwave Links: Current Status, Challenges and Prospectives. Remote Sensing. 15. 4821. 10.3390/rs15194821.

El fenómeno de Isla de Calor Urbana

La presencia de grandes ciudades y la actividad humana que en ellas se desarrolla tiene un alto impacto en las condiciones meteorológicas. Más allá de la contaminación que se genera en las ciudades, que tiene consecuencias en la salud de la población, las ciudades tienen la capacidad de alterar el clima local. Una de estas alteraciones (y muy problemática para la población) es el fenómeno de la Isla de Calor Urbana o ICU. Las ICU se caracterizan por diferencias de temperatura entre la ciudad y sus alrededores. 

Este aumento de temperatura en las ciudades se debe a la acumulación de calor en materiales de construcción como el concreto y el asfalto o actividades humanas como conducir coches o los sistemas de calefacción y refrigeración en los edificios. Además, la falta de vegetación y superficies permeables reduce la capacidad de enfriamiento natural, amplificando el efecto de la ICU. Las ciudades con menos áreas verdes tienen un efecto de ICU más intenso.

Este fenómeno es especialmente problemático en verano y sobre todo en episodios de olas de calor. Desgraciadamente las olas de calor son y serán cada vez más comunes, por lo que cobra especial importancia entender qué son las ICU y cuáles son sus consecuencias para intentar mitigar sus efectos. El efecto de la ICU es más intenso durante la noche y las primeras horas de la mañana. Esto se debe a que las áreas rurales y boscosas se enfrían más rápido, mientras que las ciudades retienen el calor acumulado durante el día y lo liberan lentamente durante la noche.

Además, las actividades humanas contribuyen a mantener temperaturas elevadas en entornos urbanos, retrasando aún más el enfriamiento en comparación con sus alrededores. Dado que las noches cálidas en las ciudades están asociadas con la ICU, éstas pueden causar trastornos del sueño y aumentar el riesgo de enfermedades relacionadas con el calor, afectando especialmente a los grupos vulnerables como la población anciana o enferma.  

Estudios de isla de calor en Meteoclim 

En Meteoclim hemos realizado estudios de islas de calor en diferentes ciudades y pueblos de las Islas Baleares. Para ello, se han analizado las temperaturas registradas durante años por diferentes estaciones meteorológicas en diferentes ubicaciones, con el objetivo de comparar las temperaturas en los centros urbanos con las afueras de las ciudades o pueblos. Como la isla de calor en general es mayor durante la noche, nuestro estudio se enfoca en el análisis de temperaturas mínimas, alcanzadas generalmente de noche. El enfriamiento nocturno del ambiente es clave para la salud, porque permite al cuerpo humano recuperarse del estrés térmico acumulado durante el día. Si no se produce esta recuperación, esto puede agravar el estado de enfermedades crónicas, sobre todo en poblaciones especialmente vulnerables. 

Los resultados son muy claros: en todos los municipios analizados las temperaturas en los centros urbanos son superiores a zonas más externas. El efecto ICU más intenso lo encontramos en Palma, al ser la ciudad más grande de Baleares. En promedio, la ciudad de Palma se encuentra aproximadamente 1.6 ºC más cálido que sus alrededores y de noche se alcanza una diferencia de temperatura mínima de 4.6 ºC de media con el extrarradio, evidenciando la capacidad de la ciudad de almacenar calor durante la noche. Aunque no sean tan marcado, el efecto de ICU también se nota en otras ciudades y pueblos de Baleares. Por ejemplo, en Inca, Maó o Ibiza se encuentran diferencias medias de entre 1 y 1.5 ºC. Nuevamente, la diferencia observando temperaturas mínimas es también superior: entre 1.5 y 2.3 ºC.  

¿Como combatir las altas temperaturas en las ciudades? 

Dado que las ciudades son puntos especialmente sensibles a las olas de calor, es fundamental implementar estrategias para mitigar sus efectos sobre la población. La planificación urbana y el desarrollo de planes de adaptación y sistemas de alerta pueden ayudar a reducir el impacto del calor extremo. Sin embargo, las ciudades son muy diversas y presentan una gran variabilidad entre zonas en términos de población, urbanismo, nivel socioeconómico y demografía.

Qué tan vulnerable es la población al calor depende de muchos factores, como la edad, situación socioeconómica o si vive en zonas más cálidas de la ciudad. Por este motivo, cobra importancia estudiar qué áreas de la ciudad son especialmente vulnerables al calor, ya sea para para mejorar los sistemas de alertas por temperaturas o futuras mejoras urbanísticas. 

Una metodología para identificar qué zonas de la ciudad son más vulnerables es mediante mapas de índice vulnerabilidad por calor (HVI, Heat Vulnerability Index). En Meteoclim hemos desarrollado un HVI basándonos en una gran cantidad de datos de diferentes fuentes, incluyendo tanto datos ambientales obtenidos mediante satélite como datos socio ecónomos y demográficos obtenidos del Instituto Nacional de Estadística.  

Por ejemplo, en cuanto datos satelitales hemos incluido variables como la temperatura superficial terrestre (LST), índices de vegetación (NDVI) o índices de edificación (NDBI). Zonas con elevado LST o NDBI nos indican regiones más vulnerables, en cambio áreas verdes de la ciudad se podrán adaptar mejor al calor debido al efecto termorregulador de la vegetación. Por otra parte, la población anciana o con menores ingresos se verá más afecta al calor que población con una renta elevada.

Combinando todas estas variables y teniendo en cuenta cómo afectan a la vulnerabilidad por calor, hemos construido mapas de HVI para diferentes ciudades y pueblos de las Islas Baleares y España: 

El HVI se encuentra normalizado entre 0 y 1. Valores cercanos a 1 nos indican las zonas más vulnerables de la ciudad, mientras que las áreas con valores cercanos a 0 son las menos afectadas por el calor. Se trata de zonas especialmente cálidas, y con normalidad con mayor densidad de población y edificación y/o con población envejecida. En cambio áreas de color azul son más frías y verdes, y probablemente con población de rentas elevadas.

El Índice de Vulnerabilidad al Calor (HVI) se presenta como una herramienta clave para mejorar la planificación urbanística y la gestión de riesgos asociados a las olas de calor en entornos urbanos. Su utilidad abarca múltiples ámbitos, desde la planificación urbanística, optimización de los recursos sanitarios hasta la mejora de los sistemas de alerta temprana. 

Referencias

• Blog Meteoclim: ¿Conoces la calidad del aire que respiras?
• Blog Meteoclim: 5 preguntas sobre el cambio climático