Metodologías de estimación de inundaciones (2020-2025): revisión sistematizada en zonas costeras del Ecuador
Cargando...
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Estatal de Bolívar; Dirección de Posgrado y Educación Continua, Maestría en Prevención y Gestión de Riesgos
Resumen
Las inundaciones, agravadas por el cambio climático, afectan recurrentemente a Ecuador y exigen métodos confiables de predicción para la gestión del riesgo. Entre 2020 y 2025 se consolidaron enfoques deterministas, de inteligencia artificial y combinados, aunque el conocimiento permanece disperso y con escasa comparación. Objetivo general: Realizar una revisión bibliográfica (2020–2025) de metodologías de predicción de inundaciones, identificando características, fortalezas, limitaciones y aplicabilidad en Ecuador. Metodología: Revisión cualitativa y descriptiva de artículos, tesis, informes y documentos institucionales consultados en Scopus, Web of Science, SciELO, Dialnet, Google Scholar y repositorios ecuatorianos. Se aplicaron criterios de inclusión por pertinencia, claridad metodológica, disponibilidad y vigencia; se excluyeron duplicados, enfoques puramente teóricos y trabajos sin respaldo. El análisis comparativo clasificó estudios en modelos deterministas, aprendizaje automático, probabilísticos e híbridos, evaluando requerimientos de datos, complejidad y adaptación nacional. Resultados: Los modelos físico-numéricos (HEC-RAS, MIKE FLOOD, Iber) brindan alta precisión condicionada a DTMs y series hidrometeorológicas; en contextos con datos limitados, esquemas simplificados apoyan el diseño de obras. La teledetección (RADAR Sentinel) y el SIG cartografían amenazas y vulnerabilidades; el ML (Random Forest, SVM, ANN, LSTM) refuerza la predicción con grandes volúmenes de datos, y los enfoques híbridos potencian precisión y eficiencia para SAT interpretables. Conclusión: Integrar geomática, modelación y ML, combinando obra gris y Soluciones basadas en la Naturaleza, ofrece potencial si se fortalecen monitoreo, calidad de datos y validación. Persisten brechas de gobernanza y comunicación que limitan la eficacia de los SAT; se recomienda articular instituciones y comunidades para cerrar la brecha pronóstico-respuesta.
Descripción
Floods, exacerbated by climate change, recurrently affect Ecuador and demand reliable prediction methods for risk management. Between 2020 and 2025, deterministic, artificial intelligence, and hybrid approaches have consolidated, although knowledge remains fragmented and lacks systematic comparison. General objective: To conduct a bibliographic review (2020–2025) of flood prediction methodologies, identifying their characteristics, strengths, limitations, and applicability in Ecuador. Methodology: A qualitative and descriptive review of articles, theses, reports, and institutional documents consulted in Scopus, Web of Science, SciELO, Dialnet, Google Scholar, and Ecuadorian repositories. Inclusion criteria were based on thematic relevance, methodological clarity, availability, and timeliness; duplicates, purely theoretical approaches, and unsupported works were excluded. The comparative analysis classified studies into deterministic, machine learning, probabilistic, and hybrid models, evaluating data requirements, complexity, and national adaptability. Results: Physically based models (HEC-RAS, MIKE FLOOD, Iber) provide high accuracy dependent on DTMs and hydrometeorological series; in data-scarce contexts, simplified schemes support infrastructure design. Remote sensing (RADAR Sentinel) and GIS map hazards and vulnerabilities; ML techniques (Random Forest, SVM, ANN, LSTM) enhance prediction with large data volumes, and hybrid approaches increase precision and efficiency for interpretable Early Warning Systems (EWS). Conclusion: Integrating geomatics, modeling, and MLcombining gray infrastructure with Nature-based Solutions shows strong potential if monitoring, data quality, and validation are reinforced. Governance and communication gaps still limit EWS effectiveness; institutional