El estudio se enfoca en predecir inundaciones en la cuenca superior del río Napo, específicamente en la cuenca del río Tena en Ecuador, donde las inundaciones recurrentes han causado graves daños. En la última década se han realizado intentos de utilizar modelos de aprendizaje automático para la predicción de inundaciones con resultados alentadores. Autores como Orellana-Alvear et al. han explorado el potencial de las técnicas de Aprendizaje Automático Machine Learning (ML), en específico el algoritmo Random Forest (RF), debido a su implementación más sencilla para no especialistas en aprendizaje automático. La autora pudo obtener como resultado predicciones satisfactorias de la serie temporal de descarga para valores inferiores a 50 m³/s (KGE=0.80). Esta herramienta no ha sido utilizada en cuencas andino-amazónicas, por lo que se abre una ventana para la aplicación de RF en la predicción de nivel y caudal.
Para el estudio se utilizó datos históricos espaciales de IMERG, MODIS, SRTM y datos de las estaciones hidrológicas recopilados entre 01-12-2021 y 01-04-2023, registrados cada 30 minutos, Estos datos son precipitación, índice de área foliar, variables de contribución y pendiente del terreno, junto con el nivel y caudal. Se exploraron diferentes configuraciones de parametrización hasta encontrar el rendimiento máximo. Los resultados revelaron que un desface de dos horas en la precipitación, el modelo alcanzó (KGE=0.63). Este estudio demuestra que el aprendizaje automático, utilizando el algoritmo Random Forest como herramienta principal, tiene un gran potencial para prever inundaciones en la cuenca superior del río Napo, especialmente en la cuenca del río Tena en Ecuador. Estos hallazgos tienen un impacto positivo en la toma de decisiones en situaciones de emergencia. Este estudio forma parte de una investigación más amplia en la que se afinará el modelo y se llevarán a cabo pruebas adicionales para obtener patrones de inundación con mayor precisión.